新基准:预训练+Δ学习在 DFT 标签昂贵时最准预测反应能垒
bravo_abad · x · 2026-11-18
模拟化学反应需要找到原子从反应物到产物的重排路径,ML 模型提供的能量与力决定搜索质量。一项新基准比较了 DFT 标签昂贵时训练神经原子间势的四种方案。
- 最优方案:先在 1760 万条廉价的 GFN2-xTB 计算上预训练,再只学习该方法与 DFT 之间的差值,即预训练结合 Δ-learning。
- 在完整 DFT 训练集下,该方案在四种架构的 32 组对比中的 31 组取得最低的平均能量/力误差,并在独立反应集上给出最准的反应能与能垒。
- 关键反直觉发现:更好的 ML 预测并不必然带来更好的反应路径搜索——作者还让至少一种架构跑完完整反应搜索验证这一点,提示预测精度与搜索效果需分开评估。
「研究」频道最新
- 页面倾斜 2-4 度就换冠军:BenchBench 实测打脸解析器榜单 — thisguyknowsai · 2026-11-18
- 不重训练,直接改 5064 个权重:DAWE 让模型适配新 harness — lateinteraction · 2026-11-18
- 预测病毒进化再按需设计抗体:AI4Science「预见未来」疗法框架 — BrianHie · 2026-11-18
- 268 名数学研究生 surveyed:怕 AI 抢饭碗,但照样在用 — cyndaquilled · 2026-11-18
- Multi-Branch Transformer:并行分支扩展 LLM,同损失省 1.26 倍算力 — KyeGomezB · 2026-11-18
- Agent Memory Leaderboard 首开多模态记忆赛道,近 5000 评测实例 — No_Issue_8224 · 2026-11-18