연구진은 대규모 후보 풀에 대한 확장성, 에너지-힘 감독 활용, 목표 분포에 대한 편향된 후보 풀 유지 등의 문제를 해결하기 위한 능동 학습 프레임워크를 개발했습니다.
힘 인지 신경 접선 커널(force NTK)을 도입하여 벡터장 예측을 위한 자연스러운 유사성 지표를 제공하며, OC20 데이터셋에서 에너지와 힘의 MAE 및 RMSE를 최소화했습니다.
T1x, PMechDB, RGD 벤치마크에서 기존 방법과 경쟁력 있는 성능을 보이면서도, 위원회 기반 접근 방식보다 훨씬 효율적이며, 후보 풀 변화에 대한 강건성을 입증했습니다.