Исследователи предлагают адаптивную многоучительскую маршрутизацию (ATR) для решения проблем стоимости и надёжности при обучении универсальных машинно-обучаемых межатомных потенциалов (uMLIP). ATR переформулирует построение высокоточных данных как задачу принятия решений на уровне структур, используя несколько предварительно обученных учителей uMLIP для оценки надёжности предсказаний.

  • Метод объединяет структурные дескрипторы, идентификатор учителя и межучительское расхождение для калибровки учителей по небольшому набору реальных меток r²SCAN.
  • Он выбирает высококонфиденциальные предсказания для генерации псевдометок, одновременно отклоняя структуры, где ни один учитель не является достаточно надёжным.
  • Используя лишь 0.2% кандидатов структур для реальных меток, ATR дистиллирует 2,89 миллиона прослеживаемых псевдометок уровня r²SCAN для предварительного обучения.
  • Лёгкая модель CHGNet, обученная на этом наборе данных, последовательно превосходит базовые и нерутированные контрольные варианты на отложенных структурах r²SCAN и бенчмарке MP-r²SCAN.
  • Молекулярная динамика при конечной температуре демонстрирует улучшенную динамическую устойчивость, сохраняя стабильные траектории там, где базовые симуляции претерпевают катастрофический структурный коллапс.

Эти результаты устанавливают активное отклонение как эффективный механизм преобразования нескольких предварительно обученных uMLIP в масштабируемую и надёжную систему построения данных для высокоточных потенциалов.