用于磁性原子间势主动学习中的切平面证据不确定性

《Physical Review Materials》：Tangent-plane evidential uncertainty in active learning for magnetic interatomic potentials

　　磁性原子间势需要同时考虑耦合的晶格与自旋自由度，然而构建可靠的训练集成本高昂，因为非共线第一性原理标签十分昂贵。主动学习可以降低这一成本，前提是不确定性估计对驱动自旋重取向的磁响应目标具有物理意义。在此，我们提出用于自旋-晶格势的等变证据深度学习（e2SLP），这是一种磁性不确定性学习方法，它将投影自旋力的似然函数及相应的认知不确定性定义在与局部自旋方向正交的切平面内。该几何结构与约束矩标签一致，后者不包含独立的径向响应，并由此产生结构层面的投影自旋力不确定性得分，用于候选结构的选择。以块体BiFeO?和单层CrTe?作为基准体系，我们表明该得分与预测误差强烈相关，且完整的e2SLP选择—训练—微调流程相较于随机采样能够降低能量、力和投影自旋力的误差。对于单层CrTe?，逐轮比较显示其精度可与四模型委员会相媲美，而四组随机种子的消融实验则分离了不确定性引导选择与e2SLP训练后微调各自的贡献。因此，e2SLP为数据高效构建磁性机器学习原子间势提供了一种基于单模型的切平面不确定性准则。