अनिश्चितता-आधारित सामूहिक परिवर्तनों के साथ मजबूत आणविक डेटा सेट के समृद्ध नमूने

एक डेटा सेट उत्पन्न करना जो आणविक प्रणाली के सुलभ कॉन्फ़िगरेशन स्थान का प्रतिनिधित्व करता है, मशीन-सीखी इंटरएटॉमिक संभावनाओं (MLIP) की मजबूती के लिए महत्वपूर्ण है। हालाँकि, आणविक प्रणालियों की जटिलता, जो कई स्थानीय न्यूनतम और ऊर्जा बाधाओं के साथ जटिल संभाव्य ऊर्जा सतहों (PESs) द्वारा विशेषता है, एक महत्वपूर्ण चुनौती प्रस्तुत करती है। डेटा उत्पन्न करने की पारंपरिक विधियाँ, जैसे कि यादृच्छिक नमूनाकरण या Exhaustive खोज, या तो कठिन हैं या दुर्लभ, लेकिन अत्यधिक सूचनात्मक कॉन्फ़िगरेशन नहीं पकड सकती हैं। इस अध्ययन में, हम एक विधि प्रस्तुत करते हैं जो सामूहिक परिवर्तन (CV) के रूप में अनिश्चितता का लाभ उठाती है ताकि रासायनिक रूप से प्रासंगिक डेटा बिंदुओं के अधिग्रहण का मार्गदर्शन किया जा सके, उन क्षेत्रों पर ध्यान केंद्रित करते हुए जहाँ ML मॉडल की भविष्यवाणियाँ सबसे अधिक अनिश्चित हैं। यह दृष्टिकोण पूर्वाग्रहित आणविक गतिशीलता अनुSimulations के लिए CV के रूप में एकल मॉडल से गाउसीय मिश्रण मॉडल-आधारित अनिश्चितता मैट्रिक का उपयोग करता है। ऊर्जा बाधाओं को पार करने और अदृश्य ऊर्जा न्यूनतम का अन्वेषण करने में हमारे दृष्टिकोण की प्रभावशीलता, इस प्रकार सक्रिय शिक्षा ढांचे में डेटा सेट को बढ़ाने का प्रदर्शन किया गया है, एलानिन डाईपेप्टाइड बेंचमार्क प्रणाली पर।