연구자들은 범용 기계 학습 원자간 포텐셜(uMLIP) 훈련의 비용과 신뢰성 문제를 해결하기 위해 적응형 멀티-티처 라우팅(ATR)을 제안합니다. ATR은 고정밀 데이터 구축을 구조별 의사결정 문제로 재정의하며, 여러 사전 학습된 uMLIP 티처를 사용하여 예측 신뢰성을 추정합니다.

  • 이 방법은 구조 설명자, 티처 ID 및 티처 간 불일치를 결합하여 소수의 실제 r²SCAN 레이블에 대해 티처를 보정합니다.
  • 의사 라벨 생성을 위해 높은 신뢰도의 예측을 선택하고, 어느 티처도 충분히 신뢰할 수 없는 구조는 거부합니다.

후보 구조 중 단 0.2%만 실제 레이블로 사용하여 ATR은 사전 훈련용 289만 개의 추적 가능한 r²SCAN 수준 의사 라벨을 증류합니다.

  • 이 데이터셋으로 훈련된 경량 CHGNet은 홀드아웃 r²SCAN 구조 및 MP-r²SCAN 벤치마크에서 기본값 및 비라우팅 제어 모델보다 일관되게 우수한 성능을 보입니다.

유한 온도 분자 동역학 시뮬레이션은 역학적 견고성이 향상되어, 기본값 시뮬레이션이 치명적인 구조 붕괴를 겪는 동안 안정적인 궤적을 유지합니다.

이러한 결과는 능동적 거부가 여러 사전 학습된 uMLIP를 고정밀 포텐셜을 위한 확장 가능하고 신뢰할 수 있는 데이터 구축 시스템으로 전환하는 효과적인 메커니즘임을 입증합니다.