arXiv cs.LG@Eszter Varga-Umbrich, Zachary Weller-Davies, Paul Duckworth, Jules Tilly, Olivier Peltre, Shikha Surana
精选45
推荐理由：做分子动力学模拟或材料计算的团队，终于有了一个能同时处理能量和力的主动学习框架，效率比委员会方法高得多，建议做MLIP微调的直接试试。
全部 AI 动态
AI 相关资讯全量信息流
5月14日
13:26
该研究提出一种基于分块特征空间后验方差筛选的线性扩展采集框架，避免候选集和训练集核矩阵的显式构建，可在数小时内筛选约20万结构。研究将神经正切核扩展到力感知场景，通过混合参数-坐标导数得到力NTK和联合能量-力NTK，为向量场预测提供自然相似性度量。在OC20数据集上，联合能量-力NTK在所有指标和分布划分下取得最低能量和力MAE及RMSE。在T1x、PMechDB和RGD基准测试中，力NTK方法在保持与基线竞争力同时，比基于委员会的方法显著更高效。在T1x的候选池偏移案例中，基于预训练MLIP嵌入和NTK的采集方法保持鲁棒，而委员会方法方差更高。结果表明，单个预训练MLIP即可实现可扩展、力感知且分布鲁棒的主动学习，用于基础模型微调。