शोधकर्ताओं ने सर्वव्यापी मशीन लर्निंग इंटरएटोमिक संभावित (uMLIPs) के प्रशिक्षण में लागत और विश्वसनीयता की चुनौतियों को दूर करने के लिए एडाप्टिव मल्टी-टीचर रूटिंग (ATR) का प्रस्ताव दिया है। ATR उच्च-फिडेलिटी डेटा निर्माण को संरचना-वार निर्णय समस्या के रूप में पुनः परिभाषित करता है, जो कई पूर्व-प्रशिक्षित uMLIP टीचर्स का उपयोग करके भविष्यवाणी विश्वसनीयता का अनुमान लगाता है।
- विधि संरचनात्मक विवरणकर्ताओं, टीचर पहचान और इंटर-टीचर असहमति को मिलाकर छोटे वास्तविक r²SCAN लेबल सेट के खिलाफ टीचर्स को कैलिब्रेट करती है।
- यह पसूडो-लेबल निर्माण के लिए उच्च-आत्मविश्वास भविष्यवाणियों का चयन करता है, जबकि उन संरचनाओं को अस्वीकार करता है जहाँ कोई भी टीचर पर्याप्त रूप से विश्वसनीय नहीं है।
- वास्तविक लेबल के लिए उम्मीदवार संरचनाओं का केवल 0.2% उपयोग करते हुए, ATR पूर्व-प्रशिक्षण के लिए 2.89 मिलियन पता लगाए जा सकने वाले r²SCAN-स्तर के पसूडो-लेबल को सिकोड़ता है।
- इस डेटासेट पर प्रशिक्षित एक हल्का CHGNet, रोक-रखे गए r²SCAN संरचनाओं और MP-r²SCAN बेंचमार्क पर बेसलाइन और नॉन-रूटेड नियंत्रणों की निरंतर रूप से तुलना में बेहतर प्रदर्शन करता है।
- परिमित-तापमान आणविक गतिशीलता सुधारित गतिशील मजबूती दिखाती है, जहाँ बेसलाइन सिमुलेशन भयानक संरचनात्मक पतन से गुजरते हैं, वहाँ स्थिर कक्षाओं को बनाए रखती है।
ये परिणाम सक्रिय अस्वीकृती को उच्च-फिडेलिटी संभावितों के लिए एक स्केलेबल और विश्वसनीय डेटा-निर्माण प्रणाली में कई पूर्व-प्रशिक्षित uMLIPs को बदलने के लिए एक प्रभावी तंत्र के रूप में स्थापित करते हैं।