小数据 Δ-机器学习把 GFN2-xTB 校正到 DFT 的可用性边界：以化学相似度分层的增益消失阈值为判据

1 · 研究问题

在只有 10²–10³ 个训练分子的小数据条件下（这是一台笔记本 + 一学年真实能达到的规模），把 GFN2-xTB 能量校正到 DFT 水平的 Δ-机器学习（Δ-machine learning）模型，其相对于未校正 xTB 的增益，在测试分子与训练集的化学相似度低到什么程度时完全消失？该"增益消失阈值"是否随训练集规模系统性外移？

2 · 研究背景与空白

Δ-机器学习（Ramakrishnan 等, JCTC 2015）不直接学高精度能量，而是学"低精度与高精度方法之差"；这个差比能量本身平滑得多，同样的数据能换来大得多的增益。以 GFN2-xTB 为基线、DFT 为目标是最实用的搭配：xTB 单点亚秒级、DFT 单点分钟级。

已有工作走到哪一步：Zhao 与 Savoie 的 Δ² 模型（Chem. Sci. 2023, 14, 13392；代码见 GitHub zhaoqy1996/Delta2ML）以 GFN2-xTB 几何与能量为低阶输入、B3LYP-D3/TZVP 为高阶目标，训练在约 167,000 个反应上，并在多个外部集上验证近化学精度的可迁移性。相关方向还有用核岭回归（kernel ridge regression, KRR）做 PBE→耦合簇校正，以及 2026 年用基础 MLIP 隐特征做 Δ 学习校正 DFT 生成能。

空白在：这些工作全部处在大数据 + 集群的体制里（十万量级训练样本），其结论"Δ 学习可迁移"对一个只能拿到几百个 DFT 参考点的使用者没有直接指导意义。小数据体制下的真问题不是"能否达到化学精度"，而是"离训练集多远时这个校正还比不做校正强"——超过那个距离，Δ 模型可能反而把 xTB 本来合理的能量拉偏。这属于换问题方向 + 参数维度扫描。风险在于结论可能是"小数据下增益本来就很小"，故本课题必须从设计上保证该负结论也是完整可交付的成果。

3 · 可检验假设

H1 以 Tanimoto 相似度（Morgan 指纹）度量测试分子到训练集的最近邻距离，Δ 模型相对未校正 xTB 的 MAE 增益随相似度单调下降，并在某个阈值 T* 处降为零（增益的自助 95% 置信区间跨零）；在 1,000 分子训练规模下 T* ≤ 0.4。

H2 T* 随训练集规模（100 / 300 / 1,000）系统性外移，且外移速率呈对数标度；即扩大训练集主要买到的是"适用范围"而非"分布内精度"。若 H2 被否证（T* 对训练规模不敏感），则说明小数据 Δ 学习的适用范围由化学表征而非样本量决定，这是一条更强、更有用的结论。

4 · 量化验收标准

1. 方法学校验（硬门槛）：用自建管线在 QM9 数据集的一个标准子集上重算 GFN2-xTB 原子化能，并复现文献中报告的"直接用 KRR/GBDT 学 QM9 原子化能"的基线学习曲线，在 1,000 训练样本处的 MAE 与已发表数值偏差 ≤ 1.0 kcal/mol；同时验证自建的原子化能定义（DFT 与 xTB 各自的孤立原子参考能）在 20 个分子上自洽（残差无系统漂移）。此条不过关意味着能量参考基准或单位换算有误，后续全部增益结论无效——这是本课题最容易出错的地方。
2. 统计口径预先写死：误差报 MAE 与 RMSE（kcal/mol）；划分必须用骨架划分与相似度分层双重口径，并额外做一次随机划分对照以量化其乐观高估幅度。学习曲线在每个训练规模上跑 ≥ 10 次重抽样，报中位数与四分位区间。"增益"定义为 MAE(xTB 原始) − MAE(Δ 模型)，其置信区间由 1,000 次自助（自助单位为测试分子）给出。相似度分箱至少 5 档，每档测试分子 ≥ 50。
3. 训练规模至少 4 档（100 / 300 / 1,000 / 3,000，最后一档视算力）；模型至少 2 种（核岭回归 + 梯度提升），确认 T* 不是单一模型的产物。
4. 明确报告"DFT 参考值取自 QM9（B3LYP/6-31G(2df,p)），本项目不自算 DFT 参考"，以及由此带来的适用范围限制（QM9 仅含 ≤ 9 个重原子的 C/H/O/N/F 分子）。
5. 交付一张"增益 vs 相似度 × 训练规模"的二维热图与 T* 的置信区间表。
6. 全部 xtb 批处理脚本、特征生成、学习曲线代码与原始能量数据开源，一条命令可重跑。

5 · 数据与工具

用途	来源 / 工具
DFT 参考与几何	QM9 数据集（134k 个 ≤ 9 重原子的有机分子，含 B3LYP/6-31G(2df,p) 优化几何与内能）。公开下载（Figshare / MoleculeNet / DeepChem 镜像），体积数百 MB。仅用于校验与对比，不计入本项目的数据贡献——DFT 参考值全部来自该数据集，本项目不自算
低阶方法	xtb（GFN2-xTB 单点，直接在 QM9 提供的几何上算，不重新优化，以保证 Δ 定义为纯粹的方法差而非几何差）
特征	RDKit（Morgan 指纹用于相似度与骨架划分）；能量学习特征用组成计数 + 键类型计数 + 简单几何描述符（如 Coulomb 矩本征值或 BoB 的轻量实现，须自行实现并用小算例验证）
模型	scikit-learn（核岭回归，高斯/拉普拉斯核）、LightGBM（CPU）
对照文献	Ramakrishnan 等（JCTC 2015）的 Δ-ML 原始工作；Zhao 与 Savoie（Chem. Sci. 2023）的 Δ² 模型；QM9 上公开的学习曲线基线。仅用于校验与对比，不计入本项目的数据贡献
算力	纯 CPU。xtb 单点在 QM9 分子（≤ 9 重原子）上约 0.05–0.3 秒；20,000 个分子约 20 分钟–2 小时（可 multiprocessing 并行）。KRR 在 3,000×3,000 核矩阵上训练秒级，10 次重抽样 × 4 规模 × 2 模型 × 5 相似度分箱仍在小时级。这条路线的算力完全可控——真正的风险是科学结论而非算力。超出范围的方案（明确列出）：自算任何 DFT 参考值、训练规模 > 20,000、深度神经网络势的训练——一律不做

6 · 方法路径

1. 下载 QM9，装 xtb + RDKit，在 QM9 提供的几何上批量跑 GFN2-xTB 单点，构建 Δ = E_DFT^atomization − E_xTB^atomization 的配对表（第 1–6 周）。
2. 核实关键定义（第 8 周前必须查清，不要边做边发现）：QM9 内能的单位与参考态、孤立原子的 xTB 参考能取法、是否有已知的 QM9 "不可靠条目"清单（QM9 有一批未通过几何一致性检查的分子，须剔除，剔除清单的来源须注明）。
3. 通过方法学校验硬门槛：复现 QM9 直接学习的基线学习曲线。
4. 实现特征与相似度度量，构建骨架划分 + 相似度分层的评估协议，协议一旦冻结不得事后调整。
5. 跑学习曲线：4 个训练规模 × 2 个模型 × 10 次重抽样，同时记录 xTB 原始误差作为无校正基线。
6. 按相似度分箱计算增益与置信区间，定位每个训练规模下的 T*；画二维热图；检验 H2 的对数标度关系。
7. 独立交叉校验：换一种完全不同的特征（Morgan 指纹计数向量替代几何描述符）重算 T*，确认阈值的存在与量级不依赖特征选择。

7 · 新颖性边界

• 本课题不声称提出新的 Δ-学习架构或新特征，不声称达到化学精度，不自算 DFT 参考值，不把 QM9 数据计入学生的数据贡献。
• 已有工作具体完成了什么：Ramakrishnan 等（JCTC 2015）确立 Δ-ML 范式；Zhao 与 Savoie（Chem. Sci. 2023）以 GFN2-xTB 为基线、约 167,000 个反应为训练集构建 Δ² 模型，并在多个外部集上验证近化学精度的可迁移性；相关工作用 KRR 做 PBE→耦合簇的 Δ-XC 校正。这些工作的共同前提是大训练集，且报告的是聚合精度而非适用范围。
• 本项目的贡献是换问题方向且为主结论：在 10²–10³ 的小数据体制下，把研究对象从"精度能到多少"换成"适用范围有多大"，给出一条以化学相似度为坐标的增益消失阈值 T*，以及它随训练规模的标度关系。
• 为什么有价值：任何一个资源受限的使用者在决定"要不要花时间做 Δ 校正"时，需要的正是"我的目标分子离我能拿到的参考数据有多远"这个判断，而现有文献只回答"数据足够多时它管用"。
• "增益本来就很小"同样是有效结论，且必须诚实报告：若小数据下 Δ 模型在所有相似度区间上的增益置信区间都跨零，则本项目的结论是"小数据 Δ 学习在 QM9 化学空间上不具备实用价值"——这是一条明确的、可被后续工作引用的负结论，但必须用学习曲线与自助区间证明这不是因为模型没调好（这正是要求 2 种模型 + 10 次重抽样的原因）。

8 · 决策门槛（go / no-go）

• 第 8 周末（关键门）：原子化能定义必须自洽、方法学校验硬门槛必须通过。若 QM9 内能与 xTB 能量的参考基准无法对齐（残差有系统漂移），立即降级：其一，把学习目标从原子化能改为 HOMO-LUMO 能隙（QM9 提供，xTB 也直接输出，无参考态问题，Δ 定义干净得多）；其二，改为学习"偶极矩"的 Δ（同样两端都有）。两条降级路径都完整保留"小数据增益 vs 相似度阈值"的主结论框架，只是物理量换了。
• 第 14 周末：确认在最大训练规模下 Δ 模型相对原始 xTB 的分布内增益是否 ≥ 1.0 kcal/mol。若连分布内都没有可分辨的增益，说明特征或目标量选择有问题——降级为上述 HOMO-LUMO 能隙路径；若换目标量后仍无增益，则如实把"小数据 Δ 学习无增益"作为主结论交付，并把学习曲线、模型对照、特征对照作为"这不是调参失败"的证据链。此时研究问题改写为"小数据 Δ 学习的增益下限在哪"，八块结构其余部分不变。
• 第 20 周末：确认相似度分箱后每箱测试分子 ≥ 50。若不足，把分箱从 5 档减到 3 档，或把相似度处理为连续变量做回归而非分箱。
• 已知困难即研究内容：Δ 学习在小数据下失效是一个很可能发生的结果。本课题从第一天起就把这种可能性写进设计（两个目标量、两个模型、完整学习曲线），因此"失效"是被度量的对象而非事故。
• 预算裁剪顺序：先砍最大训练规模档（3,000 → 1,000），再砍第二个模型，再砍特征交叉校验，最后把重抽样次数从 10 降到 5。砍到只剩"3 个训练规模 × KRR × 3 个相似度分箱"时主结论仍成立。
• 选择前提：仅在学生兼具 C05 级量子化学理解与 C01 级机器学习经验、且明确接受结论可能为负时启动；建议与 C01/C02 并行，不作为唯一课题。

---