自適應多保真演算法提升量子化學機器學習效率

研究論問探討了機器學習在量子化學領域的應用，指出獲取高保真訓練數據的成本高昂是主要瓶頸。現有的多保真機器學習方法雖然能結合大量低保真與稀少高保真數據，但通常依賴預先設定的縮放因子，導致數據冗餘與效率損失。為此，論文提出了一種新穎的自適應多保真框架，該算法能自主決定訓練數據的組成結構。其核心在於動態查詢不同保真度的訓練樣本，讓模型在較低保真度下達到飽和準確度後，再進階到計算成本更高的基準計算。此方法在包括耦合簇能量和激發能等多種化學性質上進行了基準測試。數值實驗結果顯示，相較於單一保真度方法，新算法能將數據生成成本降低多達30倍，並比標準多保真機器學習提升5倍效率。透過減少數據冗餘，此研究為量子化學中的可持續、成本感知型機器學習開創了一條高準確度、低成本的路徑。