数据效率显著提升，UC伯克利实现预训练机器学习势函数的跨泛函迁移学习

背景：原子级模拟在材料性质预测中具有重要作用，传统方法在精度与效率间难以平衡，机器学习原子间势函数通过从DFT数据学习能更好构建势能面。研究目的：针对基座势能大多基于低精度DFT数据训练的问题，研究从低精度GGA/GGA+U数据向高精度r2SCAN等数据的跨泛函迁移学习，解决数据间能量尺度差异导致的负迁移挑战。结论：提出重新拟合原子参考能量的迁移学习方法，将能量预测对齐到相近尺度，使相关系数从0.0917提升至0.9250，训练更稳定；基准测试显示该方法在能量、力、应力等预测上更准确，密度预测更接近实验值；扩展定律表明仅用1K高精度数据迁移学习即超越10K数据从头训练，实现超十倍数据效率提升，且在完整数据集上优势未饱和。