Pesquisadores propõem o Roteamento Adaptativo de Múltiplos Professores (ATR) para enfrentar os desafios de custo e confiabilidade no treinamento de potenciais interatômicos universais de aprendizado de máquina (uMLIPs). O ATR reformula a construção de dados de alta fidelidade como um problema de decisão estrutural, utilizando múltiplos professores uMLIP pré-treinados para estimar a confiabilidade das previsões.
- O método combina descritores estruturais, identidade do professor e desacordo entre professores para calibrar os professores em relação a um pequeno conjunto de rótulos r²SCAN reais.
- Ele seleciona previsões de alta confiança para geração de pseudo-rótulos, rejeitando estruturas nas quais nenhum professor é suficientemente confiável.
- Utilizando apenas 0,2% das estruturas candidatas para rótulos reais, o ATR destila 2,89 milhões de pseudo-rótulos rastreáveis no nível r²SCAN para pré-treinamento.
- Um CHGNet leve treinado neste conjunto de dados supera consistentemente os controles base e não roteados em estruturas r²SCAN mantidas fora do treinamento e no benchmark MP-r²SCAN.
A dinâmica molecular a temperatura finita mostra robustez dinâmica aprimorada, mantendo trajetórias estáveis onde as simulações base sofrem colapso estrutural catastrófico.
Esses resultados estabelecem a rejeição ativa como um mecanismo eficaz para converter múltiplos uMLIPs pré-treinados em um sistema escalável e confiável de construção de dados para potenciais de alta fidelidade.