基于不确定性驱动的活跃学习原子间势能动态

机器学习（ML）模型如果针对高保真量子模拟的数据集进行训练，能够生成准确且高效的原子间势能。主动学习（AL）是一种强大的工具，可以迭代生成多样化的数据集。在这种方法中，机器学习模型为每个新的原子构型提供不确定性估计以及它的预测。如果不确定性估计超过某个阈值，则该构型将被纳入数据集中。在此，我们开发了一种策略，以更快速地发现能有效增强训练数据集的构型。该方法为基于不确定性驱动的活跃学习（UDD-AL），修改了分子动力学模拟中使用的势能表面，以偏向于模型不确定性较大的构型空间区域。UDD-AL在两个主动学习任务中的表现得到了验证：取样甘氨酸的构象空间和取样乙酰乙酮中质子转移的促进。该方法有效探索了化学相关的构型空间，而使用常规动态取样在目标温度条件下可能无法获取。