يقترح الباحثون التوجيه متعدد المعلمين التكيفي (ATR) لمعالجة تحديات التكلفة والموثوقية في تدريب الجهود الذرية بين الذرية العالمية للتعلم الآلي (uMLIPs). يعيد ATR صياغة بناء البيانات عالية الدقة كمشكلة قرار هيكلية، باستخدام عدة معلمين uMLIP مدربين مسبقًا لتقدير موثوقية التنبؤات.
- تجمع الطريقة بين الوصف الهيكلي، وهوية المعلم، وعدم الاتفاق بين المعلمين لمعايرة المعلمين ضد مجموعة صغيرة من تسميات r²SCAN الحقيقية.
- تختار التنبؤات عالية الثقة لتوليد التسميات الزائفة بينما ترفض الهياكل حيث لا يكون أي معلم موثوقًا بما يكفي.
- باستخدام 0.2% فقط من الهياكل المرشحة للتسميات الحقيقية، يستخلص ATR 2.89 مليون تسمية زائفة قابلة للتتبع على مستوى r²SCAN للتدريب المسبق.
- يتفوق CHGNet الخفيف المدرب على هذه المجموعة باستمرار على الضوابط الأساسية وغير الموجهة في هياكل r²SCAN المحجوزة ومعيار MP-r²SCAN.
- تُظهر ديناميكيات الجزيئات عند درجة حرارة محدودة تحسنًا في المتانة الديناميكية، مع الحفاظ على مسارات مستقرة حيث تخضع المحاكاة الأساسية لانهيار هيكلي كارثي.
تثبت هذه النتائج أن الرفض النشط هو آلية فعالة لتحويل عدة جهود uMLIP مدربة مسبقًا إلى نظام بناء بيانات قابل للتوسع وموثوق للجهود عالية الدقة.