研究者たちは、汎用機械学習原子間ポテンシャル（uMLIP）のトレーニングにおけるコストと信頼性の課題に対処するために、適応型マルチティーチャールーティング（ATR）を提案している。ATRは、高精度なデータ構築を構造ごとの意思決定問題として再定式化し、複数の事前学習済みuMLIPティーチャーを使用して予測の信頼性を推定する。

  • この手法は、構造記述子、ティーチャーID、およびティーチャー間の不一致を組み合わせて、少数の実r²SCANラベルに対してティーチャーを較正する。
  • 偽ラベル生成のために高信頼度の予測を選択し、どのティーチャーも十分に信頼できない構造を拒否する。

候補構造のわずか0.2%のみを実ラベルに使用して、ATRは事前トレーニング用の289万個の追跡可能なr²SCANレベルの擬似ラベルを蒸留する。

  • このデータセットでトレーニングされた軽量なCHGNetは、保持されたr²SCAN構造およびMP-r²SCANベンチマークにおいて、ベースラインやルーティングなしの制御群を一貫して上回る。

有限温度分子動力学により、動的堅牢性が向上し、ベースラインシミュレーションが壊滅的な構造崩壊を起こす中で安定した軌道を維持している。

これらの結果は、アクティブな拒否が、複数の事前学習済みuMLIPを高品質なポテンシャルのためのスケーラブルで信頼性の高いデータ構築システムに変換するための効果的なメカニズムであることを示している。