Kimyasal reaksiyonları modellemek için kullanılan makine öğrenmesi atomlararası potansiyelleri (MLIP), genellikle yüksek maliyetli kuantum kimyasal etiketleme süreçleri nedeniyle darboğaza giriyor. Özellikle geçiş durumu konfigürasyonlarının azlığı bu sorunu daha da büyütüyor.
Araştırmacılar, bu soruna aktif öğrenme yaklaşımıyla çözüm arıyor. Yeni çalışmada, önceden eğitilmiş bir MLIP modelinin gizli katmanlarından elde edilen bilgilerin, etkili veri seçimi için yeterli olup olmadığı araştırıldı. Bu yaklaşım, ek belirsizlik başlıkları, Bayesian eğitim veya komite topluluklarına ihtiyaç duymadan çalışıyor.
Araştırma ekibi, önceden eğitilmiş MACE potansiyelinden türetilen iki farklı kazanım sinyali geliştirdi. Bunlardan biri sınırlı genişlikli nöral teğet çekirdek (NTK), diğeri ise gizli öznitelik uzayından oluşturulan aktivasyon çekirdeği.
Reaktif kimya test verilerinde yapılan denemelerde, her iki çekirdek de sabit tanımlayıcı temellerine, komite anlaşmazlığına ve rastgele veri seçimine kıyasla tutarlı şekilde daha iyi performans gösterdi. Bu yöntem, aynı doğruluk seviyesine ulaşmak için gereken veri miktarını önemli ölçüde azaltıyor.
Bu gelişme, kimyasal reaksiyon modellemesinde hem maliyet hem de zaman tasarrufu sağlayarak, yapay zekanın kimya alanındaki uygulamalarını genişletiyor.