반응성 화학용 머신러닝 원자간 퍼텐셜 (MLIP) 의 활성 학습을 위한 사전 학습 모델 표현의 획득 신호

반응성 화학에 대한 머신러닝 원자간 퍼텐셜 (MLIP) 을 훈련시키는 것은 양자 화학 라벨의 높은 비용과 후보 풀 내 전이 상태 구성의 부족으로 인해 종종 제한받습니다. 활성 학습 (AL) 은 이러한 비용을 완화할 수 있지만, 그 효과는 획득 규칙에 달려 있습니다. 우리는 사전 학습된 MLIP 의 잠재 공간이 효과적인 획득을 위해 필요한 정보를 이미 포함하고 있는지, 즉 보조 불확실성 헤드, 베이지안 훈련 및 미세 조정, 또는 위원회 앙상블의 필요성을 제거할 수 있는지 여부를 조사합니다. 우리는 사전 학습된 MACE 퍼텐셜에서 직접 유도한 두 가지 획득 신호를 소개합니다: 유한 너비의 신경 탱젠트 커널 (NTK) 과 숨겨진 잠재 공간 특징에서 구축된 활성화 커널. 반응성 화학 벤치마크에서 두 커널은 고정 설명자 베이스라인, 위원회 불일치 및 무작위 획득보다 일관되게 성능을 초과하며, 에너지 오차와 힘 오차에 대한 성능 목표를 달성하기 위해 필요한 데이터를 평균적으로 38% 와 28% 줄입니다. 또한 사전 학습된 모델이 화학적으로 의미 있는 구조를 보존하고 무작위로 초기화되거나 고정 설명자 기반 커널보다 더 신뢰할 수 있는 잔류 불확실성 추정을 제공하는 유사 공간 (similarity spaces) 을 유도함을 보여줍니다. 우리의 결과는 사전 훈련이 잠재 공간 기하학을 모델 오차와 정렬하여 반응성 MLIP 미세 조정을 위한 실용적이고 충분한 획득 신호를 제공함을 시사합니다.