多任务学习结合半经验轨道电荷，实现高样本效率的 MLIP

研究显示，用轨道分辨的半经验电荷做多任务学习，可显著提升机器学习原子间势（MLIP）的样本效率与精度。引入计算廉价的 GFN1-xTB 轨道电荷后，模型能量平均绝对误差较仅能量基线降低 58%，达到同等性能所需数据量减少至五分之一；相比能量与力联合训练的更强基线，能量误差仍降低 12%。轨道电荷仅在训练阶段使用，不影响推理效率。