연구진은 사전 학습된 MLIP의 잠재 공간이 효과적인 획득 정보를 이미 포함하고 있음을 확인하여, 보조 불확실성 헤드, 베이지안 훈련, 튜닝 또는 위원회 앙상블의 필요성을 없앨 수 있음을 밝혔습니다.
MACE 잠재력을 기반으로 유한 폭 신경 텐서 커널(NTK)과 활성화 커널을 도입하여, 에너지 오차는 평균 38%, 힘 오차는 28%만큼 성능 목표 달성에 필요한 데이터를 줄였습니다.
사전 학습된 모델은 화학적으로 의미 있는 구조를 보존하고 무작위 초기화 또는 고정 설명자 기반 커널보다 더 안정적인 잔여 불확실성 추정치를 제공하는 유사성 공간을 유도합니다.