Les chercheurs proposent le routage adaptatif multi-enseignant (ATR) pour répondre aux défis du coût et de la fiabilité dans l'entraînement des potentiels interatomiques universels d'apprentissage automatique (uMLIP). L'ATR reformule la construction de données haute fidélité comme un problème de décision structure par structure, utilisant plusieurs enseignants uMLIP pré-entraînés pour estimer la fiabilité des prédictions.
- La méthode combine les descripteurs structuraux, l'identité de l'enseignant et le désaccord entre enseignants pour calibrer les enseignants sur un petit ensemble d'étiquettes r²SCAN réelles.
- Elle sélectionne les prédictions à haute confiance pour la génération d'étiquettes pseudo tout en rejetant les structures où aucun enseignant n'est suffisamment fiable.
- En utilisant seulement 0,2 % des structures candidates pour les vraies étiquettes, l'ATR distille 2,89 millions d'étiquettes pseudo de niveau r²SCAN traçables pour le pré-entraînement.
- Un CHGNet léger entraîné sur cet ensemble de données surpasse systématiquement les contrôles de base et non routés sur les structures r²SCAN conservées et le benchmark MP-r²SCAN.
- La dynamique moléculaire à température finie montre une robustesse dynamique améliorée, maintenant des trajectoires stables là où les simulations de base subissent un effondrement structurel catastrophique.
Ces résultats établissent le rejet actif comme un mécanisme efficace pour convertir plusieurs uMLIP pré-entraînés en un système de construction de données évolutif et fiable pour des potentiels haute fidélité.