研究人员提出自适应多教师路由（ATR），以解决训练通用机器学习原子间势能（uMLIPs）时的成本和可靠性挑战。ATR将高保真数据构建重构为结构级决策问题，利用多个预训练的uMLIP教师来估计预测的可靠性。

  • 该方法结合结构描述符、教师身份和教师间分歧，针对一小部分真实r²SCAN标签对教师进行校准。
  • 它选择高置信度预测以生成伪标签，同时拒绝那些没有任何教师足够可靠的样本结构。
  • 仅使用0.2%的候选结构作为真实标签，ATR蒸馏出289万条可追溯的r²SCAN级伪标签用于预训练。
  • 在此数据集上训练的轻量级CHGNet在保留的r²SCAN结构和MP-r²SCAN基准测试中始终优于基线和非路由对照组。
  • 有限温度分子动力学显示动态鲁棒性得到改善，在基线模拟发生灾难性结构崩溃时仍能维持稳定轨迹。

这些结果确立了主动拒绝作为一种有效机制，可将多个预训练的uMLIPs转化为可扩展且可靠的高保真势能数据构建系统。