Commun Chem｜数据稀缺的情况下，如何进行分子性质预测

本文探讨了在数据稀缺情况下，如何利用多任务学习(MTL)进行分子性质预测的研究。背景指出，数据稀缺是阻碍机器学习在分子性质预测中应用的主要难题，而MTL虽然能利用不同性质间的相关性提升预测性能，但常受负迁移干扰。研究目的是提出一种新的训练策略ACS(Adaptive Checkpointing with Specialization)，以减轻任务间的有害干扰。该方法在多个分子性质预测基准任务中验证，结果显示其性能优于主流监督方法，尤其在可持续航空燃料性质预测任务中，仅用29个带标签样本即可训练出准确模型。结论表明，ACS在低数据环境中实现了可靠的性质预测，拓展了AI驱动材料发现的适用边界。