연구진은 r²SCAN 계산의 높은 정확도를 활용한 범용 머신러닝 상호 원자 포텐셜(uMLIP) 개발 과정에서 데이터 구축의 신뢰성 문제를 해결하기 위해 Active Multi-Teacher Routing (ATR) 기법을 제안했어요.
ATR은 사전 학습된 uMLIP 모델들을 활용하여 구조별 신뢰도를 평가하고, 신뢰도가 낮은 구조는 거부하여 289만 개의 r²SCAN 수준의 가짜 레이블을 생성했어요.
ATR을 통해 생성된 데이터셋으로 학습된 경량 CHGNet 모델은 기존 모델 대비 뛰어난 성능을 보였으며, 분자 동역학 시뮬레이션에서도 안정적인 결과를 보여주었어요.