머신러닝 원자간 포텐셜 (MLIPs)을 위한 능동 학습 (Active learning)이 실용적으로 활용되기 위해서는 몇 가지 과제를 해결해야 합니다: 대규모 후보 풀 (candidate pools)에 대한 확장성, 에너지-힘 감독 (energy-force supervision)의 활용, 그리고 후보 풀이 타겟 분포에 비해 편향되었을 때의 견고성 (robustness) 유지입니다. 본 연구에서는 이러한 과제들을 공동으로 해결합니다. 먼저, 우리는 청크 단위의 특징 공간 사후 분산 (chunked feature-space posterior-variance) 쇼트리스팅 (shortlisting)에 기반하여 선형적으로 확장 가능한 획득 프레임워크 (acquisition framework)를 도입합니다. 후보 집합과 훈련 집합의 커널 (kernels)을 실체화하는 것을 피함으로써, 이 접근 방식은 몇 시간 내에 약 20만 개의 구조를 스크리닝할 수 있게 하며, 분자 유사도 지표 (molecular similarity metrics)를 기반으로 후보를 점수화하는 획득 전략에 폭넓게 적용될 수 있습니다. 이어서, 우리는 혼합 매개변수-좌표 미분 (mixed parameter-coordinate derivatives)을 통해 신경 접선 커널 (Neural Tangent Kernel, NTK)을 힘 인지 (force-aware) 설정으로 확장하여, 벡터장 예측 (vector-field prediction)을 위한 자연스러운 유사도 지표를 제공하는 힘 NTK (force NTK) 및 결합 에너지-힘 NTK (joint energy-force NTK)를 생성합니다. 우리는 힘 인지 획득이 매우 중요한 OC20 데이터셋에서 결합 에너지-힘 NTK의 효과를 입증합니다. 이는 모든 지표와 분포 분할에 걸쳐 가장 낮은 에너지 및 힘 MAE (Mean Absolute Error)와 RMSE (Root Mean Square Error)를 달성합니다. T1x, PMechDB, RGD 벤치마크 전반에 걸쳐, 우리의 힘 NTK 방법론은 기존의 베이스라인 (baselines)과 경쟁력을 유지하면서도 위원회 기반 접근 방식 (committee-based approaches)보다 훨씬 더 효율적입니다. T1x에서의 통제된 후보 풀 이동 (candidate-pool shift) 사례 연구 하에서, 사전 학습된 MLIP 임베딩 (embeddings) 및 NTK에 기반한 획득은 견고함을 유지하는 반면, 위원회 기반 방법들은 더 높은 분산 (variance)을 보입니다. 종합적으로, 이러한 결과는 단일 사전 학습된 MLIP가 파운데이션 모델 (foundation-model) 미세 조정 (fine-tuning)을 위한 확장 가능하고, 힘을 인지하며, 분포에 견고한 능동 학습을 가능하게 할 수 있음을 보여줍니다.