主动学习
一种机器学习策略，模型主动选择最具信息价值的样本提交给专家标注，以较少的标注成本获得更高的模型性能
核心事实
时间轴 (近 90 天)
MLIP的典型使用场景包括大规模分子动力学采样、主动学习循环中的海量构型筛选以及多保真度数据生成。
FOCUS 方法使用选择性分支和主动学习来缓解稀疏结果奖励下长程智能体信用分配中的评论家估值不准与续写采样成本高昂两个问题。
在小样本条件下，迁移学习和主动学习是材料研发AI常用的对策。
主动学习需要搭建训练-推理-采样循环流程，对于500张一次性小规模任务，搭建成本可能高于收益。
扩展到马赫数、弹性轴位置和颤振速度指数三维空间时，193次模拟加40次校准运行足以揭示折叠的存在条件。
实验通常采用多轮主动学习循环：训练模型、选择样本、查询标签、再训练。
区域覆盖策略的通用性也可能启发其他主动学习任务的研究。
主动学习让模型主动筛选最具信息量的样本送交专家标注，大幅降低标注成本
AI智能体可以通过启发式搜索或主动学习（active learning）策略，在有限仿真预算内优先覆盖高风险配置组合
主动学习（Active Learning）通过模型推理时输出置信度，将低置信度样本自动推送至标注队列，以更少标注预算获得更大精度提升
还有 3 条时间轴事件
全部知识事实 (14)
强化学习通过智能体与环境的持续交互来学习最优策略，其数学基础是马尔可夫决策过程（MDP），由状态空间、动作空间、转移函数、奖励函数和折扣因子构成
80%已验证数据漂移或概念漂移指真实世界数据分布发生变化而模型仍基于旧数据训练时性能会显著下降，业界采用持续学习和主动学习策略应对
65%待验证MLIP的典型使用场景包括大规模分子动力学采样、主动学习循环中的海量构型筛选以及多保真度数据生成。
50%待验证FOCUS 方法使用选择性分支和主动学习来缓解稀疏结果奖励下长程智能体信用分配中的评论家估值不准与续写采样成本高昂两个问题。
50%待验证在小样本条件下，迁移学习和主动学习是材料研发AI常用的对策。
50%待验证主动学习需要搭建训练-推理-采样循环流程，对于500张一次性小规模任务，搭建成本可能高于收益。
50%待验证扩展到马赫数、弹性轴位置和颤振速度指数三维空间时，193次模拟加40次校准运行足以揭示折叠的存在条件。
50%待验证实验通常采用多轮主动学习循环：训练模型、选择样本、查询标签、再训练。
50%待验证主动学习让模型主动筛选最具信息量的样本送交专家标注，大幅降低标注成本
50%待验证AI智能体可以通过启发式搜索或主动学习（active learning）策略，在有限仿真预算内优先覆盖高风险配置组合
50%待验证主动学习（Active Learning）通过模型推理时输出置信度，将低置信度样本自动推送至标注队列，以更少标注预算获得更大精度提升
50%待验证研究表明单纯看教程或读文章的知识留存率约20%，而通过实际写代码并获得实时反馈的主动学习留存率可达75%到90%
50%待验证实验轨迹推演在方法论上接近主动学习与贝叶斯实验设计的结合，优先执行信息增益最大的实验
50%待验证区域覆盖策略的通用性也可能启发其他主动学习任务的研究。
50%