GW-Bethe-Salpeter 方程激发能的迁移学习
化学物理
2025-12-15 v1
摘要
机器学习电子结构计算中的一个持续挑战是低保真数据（如DFT或TDDFT结果）丰富而高保真数据（如many-body扰动理论标签）稀缺的明显不平衡。我们展示了迁移学习提供了有效的解决方案：在DFT和TDDFT性质上预训练的图神经网络，可用有限的qs和qs-BSE数据进行微调，从而获得准确的准粒子和激发能预测。评估完整模型和仅读出层微调 across chemically diverse test sets，我们发现预训练可提高准确性、减少对昂贵qs数据的依赖，并即使对在微调期间未见过的更大或化学性质不同的分子也能减轻显著预测离群值。我们的结果表明，多保真度迁移学习可在化学空间中大幅扩展many-body级别预测的范围。
引用
@article{arxiv.2512.11596,
title = {Transfer learning of GW-Bethe-Salpeter Equation excitation energies},
author = {Dario Baum and Arno Förster and Lucas Visscher},
journal= {arXiv preprint arXiv:2512.11596},
year = {2025}
}