自适应多保真度机器学习框架降低数据生成成本
热点事件持续更新
自适应多保真度机器学习框架降低数据生成成本
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Vivin Vinod 与 Peter Zaspel 提出自适应多保真度机器学习框架（adaptive-MFML），在训练中自动决定各保真度样本的查询顺序：先把模型精度在低保真度计算上推到饱和，再转向昂贵的高保真度计算。 在从头算势能面、耦合簇能量和激发能等基准测试中，该框架相比单保真度方法最多将数据生成成本降低 20 倍，相比标准多保真度机器学习（MFML）最多提升 3 倍。上述结果来自研究者的基准测试，论文以预印本形式发布。
AI 根据报道生成 · 2 小时前更新
最新进展11月3日 13:00
自适应多保真度算法让量子化学机器学习数据生成成本最高降低 20 倍报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv · cs.AI自适应多保真度算法让量子化学机器学习数据生成成本最高降低 20 倍
研究者提出自适应多保真度机器学习框架（adaptive-MFML），能在训练中动态查询各保真度样本，先在低保真度上把模型精度推到饱和再转向昂贵的高保真度计算。在从头算势能面、耦合簇能量和激发能等基准上，该算法相比单保真度方法最多降低 20 倍数据生成成本，比标准多保真度机器学习（MFML）提升最多 3 倍。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。