Para peneliti mengusulkan Pengalihan Multi-Guru Adaptif (ATR) untuk mengatasi tantangan biaya dan keandalan dalam melatih potensi antaratom pembelajaran mesin universal (uMLIP). ATR merumuskan ulang konstruksi data berketepatan tinggi sebagai masalah keputusan per struktur, menggunakan beberapa guru uMLIP pra-latih untuk memperkirakan keandalan prediksi.
- Metode ini menggabungkan deskriptor struktural, identitas guru, dan ketidaksepakatan antar-guru untuk mengkalibrasi guru terhadap sejumlah kecil label r²SCAN nyata.
- Metode ini memilih prediksi berkepercayaan tinggi untuk generasi pseudo-label sambil menolak struktur di mana tidak ada guru yang cukup andal.
- Dengan menggunakan hanya 0,2% dari struktur kandidat untuk label nyata, ATR mendistilasi 2,89 juta pseudo-label tingkat r²SCAN yang dapat dilacak untuk pra-pelatihan.
- CHGNet ringan yang dilatih pada dataset ini secara konsisten mengungguli kontrol baseline dan non-routed pada struktur r²SCAN yang disimpan dan benchmark MP-r²SCAN.
- Dinamika molekuler suhu hingga menunjukkan ketahanan dinamis yang lebih baik, mempertahankan lintasan stabil di mana simulasi baseline mengalami keruntuhan struktural yang katastrofik.
Hasil-hasil ini menetapkan penolakan aktif sebagai mekanisme efektif untuk mengubah beberapa uMLIP pra-latih menjadi sistem konstruksi data yang skalabel dan andal untuk potensi berketepatan tinggi.