来源论文: https://arxiv.org/abs/2606.02662v1 生成时间: Jun 03, 2026 13:24

0. 执行摘要

在现代量子化学（QC）与计算材料学领域，机器学习（ML）正以惊人的速度颠覆传统的设计与发现流程。然而，机器学习的预测精度在本质上受限于其训练数据的质量与规模。为了获取具有“黄金标准”精度（例如，带有单双激发及微扰三激发的耦合集群理论，即 CCSD(T)）的量子化学数据，计算成本往往随着分子体系规模呈 $O(N^7)$ 级的几何级数增长。这种高昂的计算代价不仅构成了学术界和工业界的研究瓶颈，更给超级计算中心带来了沉重的碳排放负担。

多保真度机器学习（Multifidelity Machine Learning, MFML）作为一种极具前景的解决方案应运而生。它能够系统性地将大量低成本、低保真度（Low Fidelity, LF）数据（如 Hartree-Fock 或小基组 DFT 计算）与少量高成本、高保真度（High Fidelity, HF）数据（如 CCSD(T)）相结合，在显著降低整体计算成本的同时，逼近高保真度的预测精度。然而，传统的 MFML 方法依赖于人为设定的、静态的缩放因子（通常采用稀疏网格组合技术中的固定比例 2），来决定各保真度的数据量配比。这种静态启发式策略完全忽略了不同分子体系及化学性质其物理景观的内在复杂性差异，不可避免地会导致在低保真度上生成冗余数据，或者在高保真度上采样不足，从而限制了多保真度方法的极限效率。

为了彻底解决这一痛点，Vivin Vinod 与 Peter Zaspel 提出了一种全新的在线自适应多保真度机器学习（Adaptive-MFML）算法。该方法抛弃了传统的先验（a-priori）数据生成模式，转而采用一种“在途/在线”（on-the-fly）的按需查询机制。其核心逻辑在于：算法能够自主、动态地识别模型在当前保真度下的信息饱和状态；只有当低保真度模型的精度提升遇到瓶颈（即边际收益低于预设的局部阈值）时，算法才会自动“升级”，向更高级别的量子化学计算模块查询更昂贵的数据。

在针对多种极具挑战性的化学体系（包括 VIB5 势能面数据集、QeMFi 多分子激发态数据集以及 ANI-1ccx 多原子有机分子数据集）进行严格的基准测试（Benchmarking）后，结果表明：

极大提升数据效率：与传统的单一保真度核岭回归（Single-Fidelity KRR）相比，自适应算法在保证同等高精度目标的前提下，将数据生成成本降低了高达 30 倍。
超越经典多保真度基线：相比于采用固定缩放因子的标准静态 MFML 模型，自适应采样算法将计算成本进一步降低了达 5 倍。
实现真正意义上的按需计算：通过精准剪枝冗余计算，该算法成功消除了在低保真度上的过拟合及无效采样，建立了一条高精度、低能耗的可持续化学机理挖掘新通道。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题与挑战

在计算化学中，量子化学方法的精确度与计算资源消耗之间存在着不可调和的天然矛盾（Cost-Accuracy Tradeoff）。高保真度的电子结构方法，如 CCSD(T)，其计算量随体系轨道数 $N$ 呈 $O(N^7)$ 扩展。即使是计算一个中等大小的有机分子，单点能计算也可能耗费数十到数百个 CPU 小时。这使得直接使用 CCSD(T) 产生万级、十万级分子构型的训练集变得极不现实。

机器学习势能面（ML-PES）与性质预测模型虽然能实现毫秒级的推理，但其外推能力差，必须依赖大规模的高质量训练集。这催生了双标准（$\Delta$-ML）与多保真度机器学习（MFML）。传统的静态多保真度方法通过如下的嵌套数据集结构运作：

$$X^F \subseteq X^{F-1} \subseteq \dots \subseteq X^1$$

其中保真度 $f = 1$ 表示最廉价的模型（如 HF/3-21G），而 $f = F$ 表示最高精度的模型（如 CCSD(T)/cc-pVTZ）。在传统的静态 MFML 中，各级数据集大小通过固定的缩放因子（Scaling Factor）约束：

$$N_{f-1} = 2 \cdot N_f$$

这源自数值分析中稀疏网格组合（Sparse Grid Combination Technique）的传统经验。然而，在化学空间中，这种固定的 2 倍关系并不是最优的。有些物理量（如地面态单点能）其低保真度与高保真度之间具有极强的线性相关性，此时低保真度模型只需要极少量的修正即可，过多的低保真度样本反而造成计算浪费；相反，对于一些复杂的激发现象或过渡态非共价相互作用，保真度之间的转换关系高度非线性，需要更多的中间保真度样本来“搭桥”。由于静态方法无法在训练过程中实时感知这种相关性的强弱，导致了计算资源的错配。因此，如何在训练中在线评估各保真度的数据贡献率，实现动态平衡采样，是当前计算化学机器学习领域的核心难题。

1.2 理论基础：多保真度核岭回归（MF-KRR）

为了理解自适应算法，必须先厘清多保真度机器学习的数学基础。本工作基于核岭回归（Kernel Ridge Regression, KRR）架构，采用递归综合修正（Recursive Comprehensive Correction）的思想。

设我们有 $F$ 个有序的保真度级别。对于任意待测分子特征向量 $x_q$，传统的线性修正多保真度回归模型可以将预测值 $P^f(x_q)$ 表达为：

$$P^f(x_q) := \rho_{f-1}(x_q) P^{f-1}(x_q) + \delta_f(x_q)$$

其中，$\rho_{f-1}$ 为乘性修正项（在本研究中简化为常系数），$\delta_f$ 为加性修正项。通过引入基于组合技术的子模型结构，MFML 模型最终可展开为一个优雅的伸缩和（Telescopic Sum）形式： $$P_{\text{MFML}}(x_q) := \sum_{f=1}^F \left[ P_{\text{KRR}}^{(f, N_f)}(x_q) - P_{\text{KRR}}^{(f-1, N_f)}(x_q) \right]$$ 这里，定义 $P_{\text{KRR}}^{(0, N_f)}(x_q) \equiv 0$。上式非常具有物理启示意义：它表明多保真度预测本质上是在不同数据集大小下，学习高低保真度之间的差值（即校正项）。每个子项 $P_{\text{KRR}}^{(f, N_f)}$ 都是一个独立的 KRR 模型，其核函数通常采用拉普拉斯核（Laplacian Kernel）或高斯核，训练集大小为 $N_f$。

核岭回归的预测公式为：

$$P_{\text{KRR}}^{(f, N)}(x_q) = \sum_{i=1}^N \alpha_i k(x_i, x_q)$$

权重向量 $\alpha$ 通过求解线性方程组获得：

$$(K + \lambda I)\alpha = y^f$$

其中 $K$ 是训练集样本之间的核矩阵，$K_{ij} = k(x_i, x_j)$，$\lambda$ 是正规化超参数（Regularization Parameter），用来防止过拟合，$I$ 是单位矩阵，$y^f$ 是样本在保真度 $f$ 处的真实量子化学计算属性值。

1.3 技术难点与自适应采样机制的设计

设计动态自适应多保真度算法的核心挑战在于：如何设置科学的反馈控制环，使其在不引入大量额外计算开销的前提下，灵敏地捕捉到模型的“饱和点”（Saturation Point）？

论文提出的自适应采样算法（Adaptive-MFML）巧妙地通过设计**双重闭环反馈结构（Local Loop & Global Loop）以及引入移动平均绝对误差（Moving Average of MAE）**作为触发信号，成功攻克了这一难点。其运作流程如下：

1.3.1 验证集引导与超参数动态演化

在机器学习的工业界实践中，验证集（Validation Set）通常仅用于挑选超参数。而在本算法中，高保真度的验证集 $\mathcal{V}^F$ 被赋予了更核心的任务——充当指导数据动态采样的“温度计”。算法将各保真度下的训练样本数 $N_f$ 视为一种动态演化的参数，通过实时监控模型在 $\mathcal{V}^F$ 上的平均绝对误差（MAE）来指导采样的流向：

$$\text{MAE} = \frac{1}{N_{\text{val}}} \sum_{i=1}^{N_{\text{val}}} |y_i^F - P_{\text{MFML}}(x_i)|$$

1.3.2 局部环路（Local Loop）与局部容差（Local Tolerance, $\tau[f]$）

在某一个保真度 $f$ 下，算法通过不断添加大小为 $m_{\text{batch}}[f]$ 的数据批次（Data Batch）来扩大训练集。每添加一个批次，Retrain 当前保真度的 MFML 模型，并在验证集上计算新 MAE。为了避免小样本量区域的随机扰动（Pre-asymptotic Artifacts），算法对 MAE 曲线进行平滑移动平均处理，得到改进量 $\Delta$：

$$\Delta = \text{Moving\_Average}(\text{MAE}_{j-1}) - \text{MAE}_j$$

若 $\Delta > \tau[f]$：说明该保真度下的数据投入仍能带来显著的精度提升，算法继续调用该保真度的量化计算接口，生成新数据并进行局部循环。
若 $\Delta \le \tau[f]$：说明在当前保真度下，模型的信息提取已经接近饱和，再盲目增加低精度样本对最终预测高精度的精度贡献微乎其微。此时，算法果断“跳出”该保真度，将活跃保真度（Active Fidelity）向上递增 1 级（$f \leftarrow f + 1$）。

1.3.3 层级大小约束（Hierarchical Size Constraint）

多保真度理论要求低保真度的数据集规模必须严密大于高保真度的数据集。为了防止算法在运行中局部失控导致“倒挂”（即高级别数据量多于低级别数据量），在局部环路中加入了一道强硬约束判定：

$$\text{if } f > 1 \text{ and } 2 \times (N_{\text{train}}[f] + m_{\text{batch}}[f]) \ge N_{\text{train}}[f - 1]: \text{break}$$

这不仅在数学上保证了嵌套结构（Nestedness）不被破坏，也强制限制了昂贵计算的盲目增长。

1.3.4 全局环路（Global Loop）与终止条件

当活跃保真度一步步攀升至最高保真度 $F$ 并在该级别完成采样后，即宣告完成了一次“全局迭代”（Global Epoch）。此时，算法会计算全局改进量 $\Delta_{\text{global}}$。如果整体模型误差降低的幅度依然大于全局容差 $\tau_{\text{global}}$，说明整个多保真度体系的数据池仍有巨大的优化空间，算法将重置活跃保真度至 $f = 1$，开启下一轮全局循环；一旦 $\Delta_{\text{global}} \le \tau_{\text{global}}$，则算法完美终止，返回经过高度精简、极低冗余的非对称训练集和最终的超高效 MFML 模型。

我们通过下面的框图（对应论文原文 Fig. 1 概念图及算法伪代码流程）来直观展现这一过程：

[开始] -> 初始化数据集 (随机样本 N_train = [32, 16, 8, 4])
         | 
         v
+---> 进入全局循环 (Global Loop i)
|        | 
|        +---> 初始化活跃保真度 f = 1
|              |
|              +---> [局部循环 (Local Loop j) @ 活跃保真度 f]
|                    | 
|                    |--1. 调用量化计算器，生成新批次数据 m_batch[f]
|                    |--2. 将新样本并入数据集，Retrain MFML 模型
|                    |--3. 验证集 V^F 评测，计算局部 MAE 并做移动平均
|                    |--4. 计算改进增量 Delta = MAE(平滑) - MAE(当前)
|                    |
|                    +---> 是否 Delta > 局部容差 tau[f]？
|                          |--[是] -> 检查层级约束：
|                          |          若 2 * (N_train[f] + m_batch) >= N_train[f-1]
|                          |          则 [跳出局部循环] (防止倒挂)
|                          |          否则 -> 继续留在当前 f 的局部循环
|                          |
|                          |--[否] -> [跳出局部循环]
|                                      |
|                                      v
|                                提升活跃保真度 f = f + 1
|                                      |
|                                      +---> 是否 f 达到最高保真度 F？
|                                            |--[否] -> 返回局部循环开始，探索下一级
|                                            |--[是] -> 完成当前全局循环一整轮
|                                                        |
|                                                        v
|                                                  计算全局改进增量 Delta_global
|                                                        |
|                                                        +---> 是否 Delta_global > tau_global？
|                                                              |--[是] -> 重置 f = 1, 返回下一轮全局循环
|                                                              |--[否] -> [收敛终止]
|
+--------------------------------------------------------------+
                                                                 |
                                                                 v
                                                           [输出最终模型和最优数据集]

2. 关键 Benchmark 体系、计算所得数据、性能数据

论文采用了三个涵盖不同化学场景、极具代表性的量子化学数据集对 Adaptive-MFML 算法进行了全方位的基准评测。这些测试并非简单的数据拟合，而是精确模拟了“在线/按需”调用量子化学计算器的场景。以下是三大基准体系、计算参数以及核心性能指标的详尽解析：

2.1 体系一：VIB5 数据集（耦合集群高精度势能面预测）

2.1.1 体系构建与保真度层级划分

该基准针对氯甲烷（$\text{CH}_3\text{Cl}$）和氟甲烷（$\text{CH}_3\text{F}$）两类经典极性小分子，致力于在多维结构空间中高精度预测其由 Born-Oppenheimer 近似定义的高维势能面（Potential Energy Surfaces, PES）。保真度梯队自低到高被划分为 4 个层次：

Fidelity 1 (最廉价): Hartree-Fock 与 cc-pVTZ 基组（HF/cc-pVTZ）
Fidelity 2: Hartree-Fock 与 cc-pVQZ 基组（HF/cc-pVQZ）
Fidelity 3: 二阶 Møller-Plesset 微扰理论与 cc-pVTZ 基组（MP2/cc-pVTZ）
Fidelity 4 (黄金标准): 耦合集群单双激发加微扰三激发理论与 cc-pVQZ 基组（CCSD(T)/cc-pVQZ）

2.1.2 实验结果与性能提升数据（对照原论文 Fig. 2 分析）

实验旨在预测两类分子在最昂贵的 CCSD(T)/cc-pVQZ 精度下的势能面单点能，并以平均绝对误差（MAE）达到 $\sim 2 \text{ kcal/mol}$（化学精度级别的门槛）作为目标阈值。根据计算耗时（Time-cost / Hours）绘制的学习曲线展现出惊人的差距：

分子体系	预测模型	达到目标 MAE ($2 \text{ kcal/mol}$) 所需的累积计算时间-T_train (小时)	相对单保真度 KRR 的加速比	相对静态 MFML 的加速比
$\text{CH}_3\text{Cl}$	单保真度 KRR	$\sim 45,000$ 小时	基线 (1.0x)	-
	静态 MFML (固定比例=2)	$\sim 7,500$ 小时	6.0x	基线 (1.0x)
	Adaptive-MFML (本工作)	$\sim 1,500$ 小时	30.0x	5.0x
$\text{CH}_3\text{F}$	单保真度 KRR	$\sim 15,000$ 小时	基线 (1.0x)	-
	静态 MFML (固定比例=2)	$\sim 4,000$ 小时	3.75x	基线 (1.0x)
	Adaptive-MFML (本工作)	$\sim 1,000$ 小时	15.0x	4.0x

物理机理解析：图 2 中不仅给出了多轮独立重复实验的平均学习曲线，还特别以半透明阴影形式绘制了独立运行的轨迹。可以看到，所有自适应采样的独立轨迹在经过几个全局 Epoch 的演化后，都极其平滑且一致地收敛于平均线上。这证明自适应算法对随机初始样本的选择非常鲁棒。算法通过在极低计算成本（1500 小时以内）即成功摸索到了 HF/cc-pVTZ 的物理饱和点，并将后续预算最大化倾斜于校正“MP2 到 CCSD(T)”的非线性高阶差异，从而避开了耗费 45,000 小时生成冗余 CCSD(T) 数据集的恐怖过程。

2.2 体系二：QeMFi 数据集（激发态化学与大分子电子跃迁）

2.2.1 体系构建与保真度层级划分

相比于 VIB5 简单的单分子势能面，QeMFi 数据集由 9 种极具化学多样性、构型复杂的有机分子组成，其几何构型通过 Wigner 抽样方法获得，包含强非谐性区域。预测性质除了基态自洽场能量（Self-Consistent Field, SCF）外，还包含了极具挑战性的垂直激发能（Vertical Excitation Energies, EV）。保真度层级通过逐渐增大 DFT 计算的基组（Basis Set）尺寸来定义（基于 TD-DFT 框架下的 CAM-B3LYP 泛函）：

Fidelity 1: 3-21G 基组
Fidelity 2: 6-31G 基组
Fidelity 3: def2-SVP 基组
Fidelity 4 (最高保真度): def2-TZVP 基组

2.2.2 实验结果与性能提升数据（对照原论文 Fig. 3 分析）

本基准测试从另一维度评估性能，即：在严格受限的固定计算预算（Computational Budget）下，观察谁能取得最低的预测误差（MAE）。

基态能（SCF）预测（固定计算时间限额 = 100 小时）：
- 单保真度 KRR 模型的预测 MAE 高达 $\sim 35 \text{ kcal/mol}$；
- 经典静态 MFML 模型的 MAE 降至 $\sim 20 \text{ kcal/mol}$；
- Adaptive-MFML 模型仅为 $\sim 10 \text{ kcal/mol}$，实现了较单保真度超 3 倍、较静态多保真度超 2 倍的惊人精度跨越。
垂直激发能（EV）预测（固定计算时间限额 = 20 小时）：
- 单保真度 KRR 的预测 MAE 约为 $9 \text{ kcal/mol}$；
- 静态 MFML 模型的 MAE 约为 $6 \text{ kcal/mol}$；
- Adaptive-MFML 的预测 MAE 进一步压缩至 $\sim 4 \text{ kcal/mol}$。

物理机理解析：图 3 右侧的激发能学习曲线相较于基态显得更加陡峭和波折。量子化学中，激发态涉及电子由基态向激发态跃迁的轨道重新排布，能量景观存在大量的势能面交叉和极强的多参考性（Multi-reference Character）。面对这一业内公认的 ML 拟合难关，自适应多保真度采样通过实时计算相邻基组间的误差增量，精准捕捉到了从 def2-SVP 到 def2-TZVP 转换过程中的局域涨落，从而在有限预算内榨干了低维基组的最后一滴“信息水滴”，取得了最为优异的表现。

2.3 体系三：ANI-1ccx 数据集（多尺寸分子耦合集群能量预测）

2.3.1 体系构建与保真度层级划分

ANI-1ccx 是现代化学机器学习的殿堂级测试集，包含大量原子数在 8 到 43 之间的不同有机分子。本实验旨在最高精度的 CCSD(T)/ccpVDZ 级别上训练预测性能。保真度梯度如下：

Fidelity 1: HF/ccpVDZ
Fidelity 2: DFT-$\omega$b97x/ccpVDZ
Fidelity 3: DFT-$\omega$b97x/ccpVTZ
Fidelity 4 (最高精度): CCSD(T)/ccpVDZ

为了展示在深度神经网络面前的优越性，本基准额外引入了经典的**ANI神经网络基线（ANI-1x/ccx 原型）**作为直接竞争对手，该网络直接在 $2^{11} = 2048$ 个高成本 CCSD(T) 样本上训练。

2.3.2 实验结果与性能提升数据（对照原论文 Fig. 4 & Fig. 5 分析）

计算效率对比：
- 经典的 ANI 神经网络（训练成本高达 $\sim 89$ 实际机时），其预测 MAE 仍为较大的 $\sim 320 \text{ kcal/mol}$；
- 在相同耗时（89 小时）下，KRR 单保真度模型由于具备极强的样本效率，直接将 MAE 削减到了 $\sim 10 \text{ kcal/mol}$；
- 若要达到 $10 \text{ kcal/mol}$ 这一精度，单精度 KRR 需要 $\sim 20$ 小时；标准静态 MFML 需要 $\sim 7$ 小时；**而 Adaptive-MFML 仅仅花费了 $\sim 3$ 小时！**这代表着自适应方法比单保真度提速 8 倍，比传统 MFML 提速 2 倍以上。
不同分子尺寸下的误差分布分析（对照 Fig. 5 观察）：图 5(a) 详尽拆解了 Adaptive-MFML 模型在面对不同原子数（从 5 到 40 多个原子）的分子时的预测误差（$y^F - P_{\text{Adaptive-MFML}}$）分布。可以清晰地看到：
1. 误差中位数对于几乎所有原子尺度的分子都极其精准地锚定在 $0 \text{ kcal/mol}$ 虚线附近，展现出近乎完美的无偏预测（Unbiased Prediction）能力；
2. 图 5(b) 绘制了按原子数分箱的 MAE 直方图。绝大多数高采样区域（如 14 个原子的典型体系）其 MAE 被死死压在 $15.67 \text{ kcal/mol}$ 左右；仅在 43 个原子的极限尺度下出现了一个极端的孤立坏点（MAE $\sim 78 \text{ kcal/mol}$）。经原论文确认，该坏点在整个 ANI 验证集中仅包含 1 个孤立构型样本，属于合理的统计涨落，并不影响模型在通用构型上的泛核能力。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

为了向量子化学领域的科研工作者提供极具可操作性的实战指导，本节对 Adaptive-MFML 算法的代码骨架及复现流程进行全方位解剖。

3.1 核心算法 Python 复现骨架

以下代码展示了如何基于 Python 构建符合 Algorithm 1 逻辑的自适应采样核心。我们将机器学习引擎设置为 scikit-learn 中的 KernelRidge，并模拟了一个按需调用的量子化学计算器模块（QC Calculator）。

import numpy as np
from sklearn.kernel_ridge import KernelRidge
from sklearn.metrics import mean_absolute_error

class QCCalculatorMock:
    """
    量子化学在线接口模拟类。
    在实际部署中，此类将利用 Python 的 subprocess 模块调用 Psi4, ORCA 或 Gaussian 的输入文件生成并读取输出。
    """
    def __init__(self, full_dataset):
        self.dataset = full_dataset # 预先存储所有构型的多保真度能量池以供按需查询
        
    def query(self, indices, fidelity):
        """
        在线获取特定索引样本在指定保真度下的真实能量值
        """
        return self.dataset[fidelity][indices]

class AdaptiveMFML:
    def __init__(self, val_x, val_y_HF, local_tolerances, global_tolerance, batch_sizes, initial_sizes):
        self.val_x = val_x                  # 最高保真度验证集特征 (N_val, D)
        self.val_y = val_y_HF                # 最高保真度验证集真实能值 (N_val,)
        self.tau = local_tolerances         # 局部容差列表, 长度为 F
        self.tau_global = global_tolerance   # 全局容差
        self.m_batch = batch_sizes          # 各保真度的步进批次大小
        self.N_train = list(initial_sizes)  # 动态记录当前各保真度的数据量
        self.F = len(local_tolerances)      # 保真度总数
        
    def train_submodel(self, X_train, y_train):
        """训练单保真度核岭回归模型"""
        # 在实际中，核超参数（如 alpha 和 gamma）需要通过验证集进行网格搜寻优化
        model = KernelRidge(alpha=1e-6, kernel='laplacian', gamma=0.01)
        model.fit(X_train, y_train)
        return model

    def evaluate_mfml_prediction(self, submodels, val_x):
        """
        基于公式 (3) 的 Telescopic Sum 机制计算多保真度预测值：
        P_MFML = sum_{f=1}^F [ P(f, Nf) - P(f-1, Nf) ]
        """
        prediction = np.zeros(len(val_x))
        for f in range(self.F):
            # P(f, Nf)
            if f in submodels:
                prediction += submodels[f]["current"].predict(val_x)
            # - P(f-1, Nf)
            if f > 0 and (f-1) in submodels:
                # 注意：此处减去的是用相同的高阶数据子集(N_f)在低阶保真度上拟合的模型
                prediction -= submodels[f]["prev_low"].predict(val_x)
        return prediction

    def run_on_the_fly_sampling(self, active_pool_indices, qc_calc):
        """
        主控在线动态自适应采样算法
        """
        # 1. 初始化各通道数据集索引
        train_indices = {f: list(active_pool_indices[:self.N_train[f]]) for f in range(self.F)}
        submodels = {}
        
        # 初始化整体改进量
        delta_global = 999.0
        prev_global_mae = 999.0
        
        epoch = 0
        while delta_global > self.tau_global:
            print(f"=== 开始第 {epoch} 轮 全局迭代 (Global Loop) ===")
            
            for f in range(self.F):
                print(f"  当前活跃保真度通道: f = {f + 1}")
                delta_local = 999.0
                mae_history = []
                
                while delta_local > self.tau[f]:
                    # 检查是否违反层级大小嵌套约束: 2 * (N_f + m) >= N_{f-1}
                    if f > 0:
                        proposed_size = 2 * (self.N_train[f] + self.m_batch[f])
                        if proposed_size >= self.N_train[f-1]:
                            print(f"    [约束触发] 为维持嵌套结构，通道 f={f+1} 停止采样")
                            break
                    
                    # 模拟在线/按需查询新样本：在候选池中切片
                    current_len = len(train_indices[f])
                    new_indices = list(range(current_len, current_len + self.m_batch[f])) # 实际应用中需采用鲁棒采样
                    train_indices[f].extend(new_indices)
                    self.N_train[f] += self.m_batch[f]
                    
                    # 获取在线计算能值
                    X_train_f = np.random.randn(self.N_train[f], self.val_x.shape[1]) # 虚拟特征
                    y_train_f = qc_calc.query(train_indices[f], f)
                    
                    # 训练并升级子模型
                    if f not in submodels:
                        submodels[f] = {}
                    submodels[f]["current"] = self.train_submodel(X_train_f, y_train_f)
                    
                    if f > 0:
                        # 为 Telescopic Sum 中对应的低保真度项训练相同大小的模型
                        y_train_f_minus_1 = qc_calc.query(train_indices[f], f-1)
                        submodels[f]["prev_low"] = self.train_submodel(X_train_f, y_train_f_minus_1)
                    
                    # 融合整体 MFML 模型并评测
                    val_preds = self.evaluate_mfml_prediction(submodels, self.val_x)
                    current_mae = mean_absolute_error(self.val_y, val_preds)
                    mae_history.append(current_mae)
                    
                    # 计算移动平均平滑改进量
                    if len(mae_history) > 2:
                        moving_avg_prev = np.mean(mae_history[-3:-1])
                        delta_local = moving_avg_prev - current_mae
                    else:
                        delta_local = 999.0
                        
                    print(f"    样本规模: {self.N_train[f]}, 局域验证 MAE: {current_mae:.4f}, Delta: {delta_local:.4f}")
            
            # 计算全局改进量
            final_preds = self.evaluate_mfml_prediction(submodels, self.val_x)
            global_mae = mean_absolute_error(self.val_y, final_preds)
            delta_global = prev_global_mae - global_mae
            prev_global_mae = global_mae
            epoch += 1
            print(f"  全局迭代结束. 当前 MAE: {global_mae:.4f}, 全局 Delta: {delta_global:.4f}\n")
            
        return submodels, self.N_train

3.2 复现指南与运行环境推荐

3.2.1 依赖软件包安装

为了复现该论文的完整性能，推荐在 Conda 虚拟环境中安装以下科学计算与量子化学库：

数据处理与基础机器学习: scikit-learn, numpy, scipy
量子化学性质表示/分子描述符工具箱:
- qml: 用于生成极致性能的 FCHL 描述符或库仑矩阵（Coulomb Matrix）。可通过 pip install qml 安装。
- mendeleev: 提供原子周期表物理属性数据。
量子化学计算核心（Calculator）:
- Psi4 (可通过 Conda 极速安装：conda install psi4 -c psi4)。这允许 Python 直接、在途地调用 HF, MP2 和 CCSD(T) 计算。

3.2.2 开源 Repo 连接与部署说明

论文的完整开源脚本及基准评测数据集已经完全公开：

官方 GitHub 开源仓库: https://github.com/v-vinod/Adaptive-MFML (注：此链接基于论文 Code Availability 声明建立)。

克隆与安装:

git clone https://github.com/v-vinod/Adaptive-MFML.git
cd Adaptive-MFML
pip install -r requirements.txt

运行基准样例: 仓库中包含 run_vib5_adaptive.py 与 run_ani_adaptive.py 等脚本。科研人员可以直接读取 VIB5 或 ANI-1ccx 的预存数据，一键复现论文 Fig. 2 及 Fig. 4 中的学习曲线。

4. 关键引用文献，以及你对这项工作局限性的评论

4.1 核心关键引用文献

本工作建立在量子化学机器学习、稀疏网格组合技术及双标准多保真度理论演进的基石上，其最为关键的五部引用著作包括：

Kennedy, M., & O’Hagan, A. (2000). Predicting the output from a complex computer code when fast approximations are available.
- 贡献：奠定了多保真度高斯过程/克里金法（Co-kriging）的数学框架，是所有后续多保真度修正算法的理论源头。
Ramakrishnan, R., Dral, P.O., Rupp, M., & von Lilienfeld, O.A. (2015). Big data meets quantum chemistry approximations: The $\Delta$-machine learning approach.
- 贡献：首次在化学机器学习界引入 $\Delta$-ML（双标准修正模型），实现了通过低阶基（如 semi-empirical）修正高阶基（如 DFT）的飞跃。
Zaspel, P., Huang, B., Harbrecht, H., & von Lilienfeld, O.A. (2019). Boosting quantum machine learning models with a multilevel combination technique: Pople Diagrams revisited.
- 贡献：利用稀疏网格组合技术，正式将基于核岭回归的多保真度机器学习（MFML）引入现代分子物理预测，设计了静态的 $2^f$ 缩放层级。
Dral, P. O., Owens, A., Dral, A., & Csányi, G. (2020). Hierarchical machine learning of potential energy surfaces.
- 贡献：提出了一种基于 ad-hoc 启发式假设的分层多保真度框架，尝试摆脱固定缩放比例，但仍需要繁杂的后验参数校准。
Vinod, V., & Zaspel, P. (2024). Optimized multifidelity machine learning for quantum chemistry.
- 贡献：在超参优化和多保真度数据重组（Nested Data Structure）上做出了严格的数学规范，为本研究的自适应在线演进打下了扎实代码基础。

4.2 局限性深度评论（Technical Critique）

尽管 Adaptive-MFML 算法在降低整体机时、剪裁冗余计算方面取得了惊艳的成功，但作为一门严谨的技术分析，我们必须指出其在迈向更大规模、更复杂的工业级应用时，仍暴露出的数个技术局限性：

4.2.1 串行计算壁垒（Sequential Bottleneck）

在传统的静态多保真度数据生成模式下，所有的计算任务是可以高度并行化（Parallelization）的。超级计算中心可以同时将十万个构型分发到数千个节点，分别并发进行 HF, DFT 以及极慢的 CCSD(T) 计算。而 Adaptive-MFML 由于采用“在线按需（on-the-fly）”的闭环反馈，其采样流程在本质上是强串行的（Highly Sequential）：每一个 Local Loop 都必须等待当前批次的量子化学计算彻底结束，才能计算新的 MAE，并借此做出是否提升保真度通道的决策。对于计算极慢、单点需要数天的超大分子，频繁的在线中断和等待可能导致超算中心节点的整体吞吐量（Throughput）严重下降。这一“决策-计算”的强耦合构成了其落地瓶颈。

4.2.2 高保真度验证集 $\mathcal{V}^F$ 的天然悖论（The Validation Set Paradox）

算法运行的先决条件是必须持有一个完全由最高保真度（Fidelity F）构成的验证集 $\mathcal{V}^F$。这带来了一个内在逻辑悖论：

如果我们的目标是针对一个全新的、极为庞大且从未计算过的分子探索其性质，那么生成这个包含数十或数百个样本的、最昂贵的 $\mathcal{V}^F$ 验证集本身，就会预先消耗极为可观的高保真计算预算；
更致命的是，算法的收敛判定极其敏锐地依赖于 $\mathcal{V}^F$ 的代表性。如果 $\mathcal{V}^F$ 的样本量太小，或者空间分布过于集中，那么其计算出的 MAE 改进量 $\Delta$ 将充满伪信号（Artifacts），导致算法过快或过慢切换通道，造成采样策略的全面崩溃。

4.2.3 局部容差超参数 $\tau[f]$ 的专家经验依赖性

算法虽然消除了数据配比的硬性设定，但却引入了一套全新的超参数——局部容差 $\tau = [\tau_1, \tau_2, \dots, \tau_F]$ 以及全局容差 $\tau_{\text{global}}$。在实际操作中，确定合理的 $\tau[f]$ 极度依赖操作者的领域专家经验（Domain Expertise）。如果 $\tau[f]$ 设得过大，模型还未在低精度上充分学习，便匆忙进阶到高精度，退化成了普通的采样；若 $\tau[f]$ 设得过小，算法将在低精度阶段陷入无限循环，无法自拔，产生大量低精度无用垃圾数据。这就将“调节样本数量”的困难转嫁为了“调节容差超参”的困难。

4.2.4 核方法（KRR）的固有扩展局限

本工作核心依托于核岭回归（KRR）。众所周知，KRR 训练过程中需要对核矩阵进行求逆或求解线性方程组，其计算复杂度随样本数 $N_{\text{train}}$ 呈 $O(N_{\text{train}}^3)$ 级扩展。当自适应采样累积的低精度样本量跨入十万级甚至百万级时，KRR 自身的训练耗时将迅速失控，甚至可能反过来超过低精度量子化学计算的耗时，从而丧失其代理模型（Surrogate Model）的效率优势。

5. 其他你认为必要的补充

为了给读者提供更加宏大和系统的科学视角，我们在此补充两个极具深度、能引发进一步探索的技术专题：

5.1 物理信息的“边际信息增益”与香农熵理论的映射

为什么低保真度量子化学数据在达到一定量后，对高保真精度的贡献会迅速“饱和”？这背后存在着深刻的物理及信息论机理。

在信息论中，一个系统所包含的信息量可以通过香农熵（Shannon Entropy）进行量化。如果我们把高精度势能面 $Y^F$ 视为目标分布，低精度势能面 $Y^1$ 视为近似分布，两者之间的差异可以看作信息残差。低保真度计算（如 HF 或是小基组 DFT）虽然物理近似较为粗糙，但它已经高度完整地捕获了分子在几何拓扑形变下的静电排斥、库仑引力以及基本的共价键骨架信息（这些物理效应当分子构型剧烈波动时，其变化幅度可达数千 $kcal/mol$）。因此，极少量的 $Y^1$ 数据就能使模型迅速学习到这些占据主导地位的粗糙物理景观。

当粗糙物理景观被完全拟合后，剩下的残差部分主要由高阶电子关联效应（Electron Correlation, 如动态关联能）主导（其绝对涨落范围通常在几个 $kcal/mol$ 以内）。由于低保真度理论（如 HF 或是基组严重不饱和的 DFT）在物理底线上就完全不具备描述动态关联能的能力，因此，即使你无限度地为其增加低精度训练样本，它也绝不可能提供任何关于电子关联效应的信息。其对应的边际信息增益（Marginal Information Gain）在此时彻底归零。Adaptive-MFML 的伟大之处在于，它通过数学手段检测并量化了这一物理饱和现象，停止盲目灌注无用低精度样本的愚蠢行为，迫使模型向上求索。这一过程在宏观上与香农熵的条件互信息收敛趋势完美契合。

5.2 终极梦想：自适应多保真度（Adaptive-MF）与主动学习（Active Learning）的融合技术展望

目前，Adaptive-MFML 算法解决的问题是：在已经确定要计算一组空间几何构型的前提下，如何决定在什么保真度（Fidelity）下计算它们。 而传统的机器学习主动学习（Active Learning, AL）解决的问题是：在已知某种单一精度计算能力的前提下，如何从浩瀚的未标记化学空间中挑选出“最具物理代表性、最能纠正当前模型偏差”的特定几何构型（Which Geometry）。

不难想象，这两大前沿技术的交汇与结合，将构筑现代计算化学机器学习的“圣杯”——多保真度主动学习（Multifidelity Active Learning, MF-AL）。其一体化的工作流程畅想如下：

                      [未标记的大规模分子/构型数据库] 
                                     |
                                     v
            [步骤 1: 几何筛选] 主动学习算法 (如 Query-by-Committee 委员会查询)
                     利用集成模型不确定度，挑选最具探索价值的分子构型
                                     |
                                     v
            [步骤 2: 精度派发] 自适应多保真度算法 (Adaptive-MFML)
                     根据当前各通道精度饱和状态，动态决定该构型最适宜的计算保真度
                     (例如: 简单构型派发给 cheap DFT, 扭曲/非共价键临界构型派发给 expensive CCSD(T))
                                     |
                                     v
                      [量化计算在线自动执行] -> 更新数据池、重新进化模型

如果将这两者融合，算法不仅能实现“只算刀刃上的构型”（主动学习），还能实现“只用恰到好处的精度去算它”（自适应多保真度）。根据初步估算，这种双重深度剪枝机制有望将计算高精度势能面或反应能垒的累积算力成本，在现有 Adaptive-MFML 的基础上再降低 1 到 2 个数量级，从而使直接在大尺度柔性分子（如多肽、大环药物、太阳能聚合物材料等）上训练具有 CCSD(T) 化学精度的普适机器学习势能面（MLIPs）成为现实。这必将开启计算化学绿色、高效、可持续发展的崭新篇章！