物理一致性桥接分子多任务学习中的异构数据

近年来，机器学习在处理分子科学任务方面展现出惊人的能力。为了在规模化的层面支持各种分子属性，机器学习模型正在以多任务学习范式进行训练。然而，不同分子属性的数据常常未对齐：例如，平衡结构所需的计算成本高于能量，因此其数据常由较低精度的计算方法生成，无法通过多任务学习直接克服。此外，利用其他任务丰富的数据来帮助特定任务也并不直观。为处理此类数据异构性挑战，我们利用分子任务之间存在物理规律的特性，设计一致性训练方法，使不同任务能够直接交换信息，从而相互改进。特别地，我们证明更精确的能量数据可提高结构预测的准确性。我们还发现，一致性训练能够直接利用力和非平衡结构数据来提高结构预测，显示出一种广泛的集成异构数据的能力。