面向大规模和鲁棒主动学习的力感知神经张量核
机器学习
2026-05-18 v2
摘要
机器学习异原子势（MLIPs）的主动学习必须解决规模扩大、能源-力监督整合以及在候选池偏离目标分布时保持鲁棒性等多个实际挑战。本文同步解决上述问题。我们首先引入基于块状特征空间后验方差精选的线性规模获取框架。通过避免候选集和训练集核的显式构造，该方法使对约20万结构的筛选在数小时内可实现，并可广泛应用于基于分子相似性度量对候选对象打分的获取策略。随后，我们将神经张量核（NTK）扩展至力感知设置，通过混合参数坐标导数实现力 NTK 与联合能-力 NTK，为向量场预测提供自然的相似性度量。我们在 OC20 数据集上演示了联合能-力 NTK 的有效性：它在所有指标和分布划分中实现最低的能量和力 MAE 以及 RMSE。在 T1x、PMechDB 和 RGD 基准测试中，我们的力 NTK 方法在与既定基线相当的同时，显著更高效于委托类方法。在 T1x 上进行的受控候选池偏移案例研究中，基于预训练 MLIP 嵌入和核的方法保持鲁棒性，而委托方法则表现出更高的方差。总体而言，这些结果表明，单个预训练 MLIP 即可为面向基础模型微调的可扩展、力感知且分布鲁棒的主动学习提供支持。
引用
@article{arxiv.2605.13788,
title = {Force-Aware Neural Tangent Kernels for Scalable and Robust Active Learning of MLIPs},
author = {Eszter Varga-Umbrich and Zachary Weller-Davies and Paul Duckworth and Jules Tilly and Olivier Peltre and Shikha Surana},
journal= {arXiv preprint arXiv:2605.13788},
year = {2026}
}
备注
10 main pages, total 34 pages