Адаптивный алгоритм машинного обучения снижает затраты на данные в квантовой химии до 30 раз
Машинное обучение активно применяется в квантовой химии, однако его сдерживает высокая стоимость получения качественных обучающих данных. Метод многоуровневого машинного обучения (MFML) решает эту проблему, комбинируя обильные данные низкой точности с редкими данными высокой точности. Но стандартные схемы MFML используют заранее заданные коэффициенты масштабирования, что часто приводит к избыточности данных и потере эффективности.
В новой работе, опубликованной на arXiv, представлен адаптивный многоуровневый алгоритм, который динамически запрашивает обучающие выборки на каждом уровне точности. Алгоритм насыщает точность модели на более дешёвых уровнях, прежде чем переходить к дорогим эталонным расчётам. Это позволяет избежать сбора избыточных данных.
Авторы протестировали адаптивный MFML на различных химических свойствах, включая эталонные энергии связанных кластеров (CCSD(T)) и более сложные энергии возбуждения. Результаты показали, что новый метод сокращает затраты на генерацию данных до 30 раз по сравнению с одноуровневыми методами и до 5 раз по сравнению со стандартным MFML.
Таким образом, устранение избыточности данных открывает путь к высокоточным и экономически эффективным расчётам в квантовой химии. Работа выполнена в рамках подхода, ориентированного на устойчивое развитие и осознанное потребление вычислительных ресурсов.
Развитие таких алгоритмов может ускорить исследования в материаловедении, катализе и фармацевтике, где точные квантово-химические расчёты крайне важны, но остаются дорогостоящими.
