AdaptNTK: 面向神经网络势的自适应不确定性量化与主动学习

摘要

机器学习原子间势能函数常通过主动学习扩展训练集，但现有不确定性量化方法往往在计算成本与可靠性之间权衡，且难以处理批量采集中的冗余。作者提出单模型框架AdaptNTK，在经验神经正切核（NTK）特征空间中以正则化马氏距离度量不确定性；采集过程中固定NTK特征，使不确定性只取决于已采集构型而非参考标签，可在每次选择后递归更新而无需重训练，从而减少批量冗余。在留出rMD17数据上，AdaptNTK与力误差的平均相关性最高（Spearman 0.68，Pearson 0.71），误差保留与三成员集成相当；在rMD17和Transition-1X主动学习实验中取得最低力误差，尤其擅长过渡态构型，且每个Transition-1X周期比集成快2.6倍。