假设你请了一位经验丰富的山地向导，想从山谷一端的营地翻山走到另一端的营地。向导并不需要真走一趟，他看一眼山体走势、岩石结构和植被分布，就能估算出途中山口的实际高度——如果这个高度远超队伍的能力，他会直接告诉你：这条路不通，换条路吧。化学反应的世界里，也藏着无数这样的“山口”。反应物是出发营地，产物是目的地，而分子必须翻越的那个能量最高点——过渡态——就是山口。山口与营地之间的高度差，化学家称为“反应能垒”。能垒高，反应慢如蜗牛；能垒低，反应快如骏马。过去测定能垒要靠昂贵的量子化学计算和反复实验，如今 AI 模型正在扮演那位“山地向导”：它从以往的反应记录中学习规律，只凭分子的结构特征就能预测能垒高低，为材料筛选、医药合成和催化剂设计指路。这篇教程，就带你跟着这位向导，从数据、模型到不确定性判断走完一整段旅程。

岗位关联

掌握能垒预测的数据构建、迁移学习与不确定性量化，是 AI 从业者进入计算化学与新材料筛选领域的关键技能。

目录
  1. 可视化演示
  2. 能垒预测基础
  3. 数据集构建
  4. 迁移学习
  5. 不确定性量化
  6. 数据增强
  7. 主动学习
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

能垒预测基础

山地向导判断一条路线能不能走，第一眼看的就是山口高度。出发营地海拔 2000 米，山口海拔 3500 米，队伍需要爬升 1500 米，咬牙能过；若山口高达 6000 米，那基本就是一条绝路。化学家眼里的反应也是一座山：反应物在左边山谷里“养精蓄锐”，产物在右边山谷里“安居乐业”，而分子必须先从反应物慢慢爬升，到达能量最高的过渡态——也就是山口——才能翻过去变成产物。这个“爬升高度”就是反应能垒，记作 $E_a$。能垒越高，常温下攒足能量翻山的分子越少，反应就越慢；能垒越低，分子轻松越过，反应飞快。

反应到底有多快？1900 年前后，阿伦尼乌斯给出了一个漂亮的定量关系：速率常数与能垒呈指数关联。能垒哪怕只降低零点几个电子伏特，反应速率都可能翻好几个数量级，这就是为什么催化剂研发如此看重“找一条更矮的山口”。在实际工作中，化学家想预测一个新反应的能垒，传统做法是用密度泛函理论（DFT）去搜索过渡态——相当于让向导真的爬一遍山——代价极高，一天只能处理几个候选体系。

AI 预测能垒的思路，是让模型充当那位只看地形就能报出山口高度的向导：输入反应物与产物的结构特征，如原子类型、键长、电荷分布、溶剂参数，模型直接输出估算的 $E_a$，从而在几分钟内筛掉成千上万个不可行路线，只把最有希望的少数候选留给昂贵的精确计算。

有了这张“山口高度表”，向导就能在出发前筛掉绝大多数不可行的路线，把精力留给真正值得爬的山——这正是能垒预测在反应路径筛选中的核心价值。

k=A⋅e−EaRT\displaystyle k = A \cdot e^{-\frac{E_a}{RT}}
阿伦尼乌斯公式把“能垒”与“反应快慢”连在一起：能垒在指数项上，一点点变化都会被放大。
  1. 符号 $k$（反应速率常数）表示反应快慢的核心物理量，数值越大说明反应进行得越快。
    kk
  2. 符号 $A$（指前因子）反映分子碰撞频率与有效取向，可以理解为“队伍尝试翻山的频率”。
    AA
  3. 符号 $E_a$（反应能垒）模型要预测的核心对象，对应山口与营地的海拔差。
    EaE_a
  4. 符号 $R$（摩尔气体常数）热力学常用常数，数值约为 $8.314\ \mathrm{J/(mol\cdot K)}$。
    RR
  5. 指数部分 $e^{-\frac{E_a}{RT}}$能垒越高或温度越低，指数越小，能翻过山口的分子比例越低。
    e−EaRTe^{-\frac{E_a}{RT}}

数据集构建

向导的判断准不准，取决于他的行山记录。老向导的笔记本上工整地记着每一条路线的岩质、坡度、雪线位置、实际耗时——记录越规范、越可靠，他估算新山口就越有把握；反之，若笔记里数据残缺、单位混乱、甚至记错了几条路，再丰富的经验也会失真。AI 模型也一样：能垒预测的准确性，首先由训练数据决定。

模型的“行山记录”就是反应能垒数据集。每一条样本记录一个已完成的反应：输入是描述分子与反应体系的特征，比如原子类型、键长、键角、电荷分布、溶剂极性等；标签是通过 DFT 计算或实验测得的能垒值。构建一个高质量数据集，通常要经历四道工序：数据来源上，公开数据库与课题组自算数据互补；特征设计上，选择物理化学含义明确且容易获取的描述符；数据清洗上，剔除重复样本与异常值、统一单位制；标注标准上，整条数据集固定同一套 DFT 泛函、基组与收敛判据，避免“每座山的标高都不一样”。

特征工程里有一个容易被忽视的细节：不同特征的数值范围可能差好几个数量级。比如键长以埃为单位、能垒以电子伏特为单位，若不处理，模型会误以为数值大的特征更重要。因此训练前通常要对每个特征做标准化，让所有特征站在同一起跑线上。

记录规范了，向导才敢放心参考；数据干净了，模型才能学到稳定的规律。数据集的每一道工序，都是在为“山口估高”打地基。

x′=x−μσ\displaystyle x' = \frac{x - \mu}{\sigma}
把每个特征的均值挪到 0、标准差缩放到 1，消除量纲差异对模型的影响。
  1. 符号 $x$（原始特征值）尚未处理的描述符，例如某个键长或某个原子的电负性。
    xx
  2. 符号 $\mu$（特征均值）该特征在训练集上的平均值，代表“这条路的典型情况”。
    μ\mu
  3. 符号 $\sigma$（特征标准差）该特征在训练集上的离散程度，代表“这条路况的波动幅度”。
    σ\sigma
  4. 结果 $x'$（标准化特征）处理后均值为 0、方差为 1，不同特征可以直接比较。
    x′x'

迁移学习

一位爬遍阿尔卑斯的向导初到喜马拉雅，并不会从零学起。结绳、冰镐、雪地行走这些基本功完全通用，但他必须调整对雪况、岩层结构和高原反应的判断——先用旧经验快速上手，再用新路线校准细节。反应能垒预测同样面临“换一座山”的困境：目标体系（比如一种新型催化剂）的能垒数据往往只有几十条，直接训练模型极易过拟合，就像让一个新手只爬过三次山就去当向导。

迁移学习正是解决之道。第一步，让模型在海量的通用反应数据上“预训练”，学习不同原子之间相互作用的通用规律——相当于先爬遍全球各大山脉，积累扎实的基本功。第二步，在目标体系的小数据集上“微调”，让模型把通用知识适配到新体系的特殊细节上。预训练可以是在大型分子数据库上训练的消息传递神经网络，微调则是用目标数据继续更新参数。

微调时有个矛盾：更新太多，模型会“忘掉”通用知识；更新太少，又学不会目标体系的特性。工程上常用的做法，是在损失函数中加一项对预训练参数的偏离惩罚，让模型既吸收新知识，又不至于跑偏太远。

向导带着阿尔卑斯的手感，在喜马拉雅踩过几条新路线后，很快就能准确报出当地山口的高度。迁移学习让数据稀缺的目标体系也能拥有“见过世面”的模型，这正是它在跨体系能垒预测中的核心价值。

Ltotal=Ltask+λ∥θ−θpre∥2\displaystyle \mathcal{L}_{total} = \mathcal{L}_{task} + \lambda \left\| \theta - \theta_{pre} \right\|^2
总损失 = 目标任务误差 + 参数偏离惩罚，用正则系数 λ 控制“学新不忘旧”的平衡。
  1. 符号 $\mathcal{L}_{task}$（目标任务损失）衡量模型在目标体系上的预测误差，是微调的主要优化目标。
    Ltask\mathcal{L}_{task}
  2. 符号 $\theta$（当前模型参数）微调过程中不断更新的权重，代表向导最新的判断习惯。
    θ\theta
  3. 符号 $\theta_{pre}$（预训练参数）在大规模通用数据上学到的初始权重，代表向导的通用基本功。
    θpre\theta_{pre}
  4. 符号 $\lambda$（正则系数）控制新知识偏离旧知识的程度，λ 越大越保守。
    λ\lambda
  5. 偏离惩罚项 $\left\| \theta - \theta_{pre} \right\|^2$当参数远离预训练值时惩罚增大，防止灾难性遗忘。
    ∥θ−θpre∥2\left\| \theta - \theta_{pre} \right\|^2

不确定性量化

有经验的向导从不只报一个数。“这个山口我九成把握能过”和“这山口我完全没底”，对决策的意义天差地别——尤其是面对陡峭的高能垒路段，一次判断失误可能让整个队伍陷入险境。然而，很多 AI 能垒预测模型只输出一个点估计值，就像向导面无表情地说“这个山口 3.2 千米高”，却不告诉你他到底有多少把握。

高能垒区域恰恰是最需要警惕的地方。这类反应样本稀少、过渡态搜索困难，模型在这里的训练覆盖不足，预测方差往往很大。若科学家只盯着单一预测值，可能把一个实际上不可行的反应路线当成金矿反复做实验验证，浪费大量经费。不确定性量化就是给预测配上“把握程度”：对能垒预测，常用方法包括集成模型（训练多个模型，用预测结果的离散程度代表不确定性）、蒙特卡洛 Dropout（推理时多次随机失活采样以获得近似分布），以及直接训练输出分布参数的模型。

得到预测标准差后，就能给出置信区间——“我有 95% 的把握，真实能垒落在这个区间内”。区间越窄，预测越可靠；区间很宽时，模型其实在说“这段路我没底，请补算”。

向导在不确定时会提醒队伍“这段没把握，绕行或先探路”；模型在高不确定性时提醒科学家补做一次 DFT 计算。不确定性量化让 AI 从“信口开河的预报员”变成“知道何时该闭嘴的参谋”。

y^±zα/2⋅σ\displaystyle \hat{y} \pm z_{\alpha/2} \cdot \sigma
预测值加减置信系数乘以标准差，构成能垒的置信区间；σ 越大，区间越宽，不确定性越高。
  1. 符号 $\hat{y}$（预测能垒）模型对目标反应能垒的最佳估计值。
    y^\hat{y}
  2. 符号 $z_{\alpha/2}$（置信系数）由置信水平决定，95% 置信水平下约为 1.96。
    zα/2z_{\alpha/2}
  3. 符号 $\sigma$（预测标准差）模型内部的“没把握程度”，来自集成模型或多次采样的离散度。
    σ\sigma
  4. 整体表达式 $\hat{y} \pm z_{\alpha/2} \cdot \sigma$区间宽度随不确定性增大而增大，直接反映预测可靠性。
    y^±zα/2⋅σ\hat{y} \pm z_{\alpha/2} \cdot \sigma

数据增强

向导的经验不能只靠真山真路积累。他在沙盘上推演各种天气、雪崩和绕行方案，在训练场上反复练习绳索技术——这些“模拟演练”没有花一分油钱，却让他在真实山难面前多了几分底气。数据增强的思路与此完全一致：模型缺少高能垒样本，就用规则在已有样本附近“演练”出更多变体。

分子世界的“沙盘”，首先是对几何构型做物理可接受的扰动。比如把键长、键角在合理范围内微微抖动，得到能量相近但结构略有差异的构象作为新样本。另一种做法是对特征向量添加小幅度高斯噪声，等价于告诉模型“这个反应稍微变一点也差不多”。由于这些扰动在物理上对应真实的分子热运动，增强后的样本并不会教坏模型，反而提升了鲁棒性。

数据增强还有一个重要用途：平衡分布。海量反应数据里，绝大多数是低能垒的“易翻山”反应，高能垒样本凤毛麟角。模型若只见过低能垒样本，遇到真正的高垒反应就会严重低估。此时可以对高能垒区域做特征插值合成样本，让模型见识足够多的“陡峭山口”。

沙盘推演过的向导，遇到极端天气心里更有底；见过足够多高能垒变体的模型，面对真正的高垒反应也稳定得多。数据增强用极低成本，把模型的“见识面”扩了一大圈。

Daug=Dorig∪{x~i}i=1r\displaystyle D_{aug} = D_{orig} \cup \left\{ \tilde{x}_i \right\}_{i=1}^{r}
增强后的数据集等于原始数据与 r 个合成样本的并集，合成样本补上了稀缺区域的覆盖。
  1. 符号 $D_{orig}$（原始数据集）已有的真实反应能垒样本集合。
    DorigD_{orig}
  2. 符号 $\tilde{x}_i$（第 i 个合成样本）通过对原始样本扰动或插值产生的新样本，像沙盘上推演出的新路线。
    x~i\tilde{x}_i
  3. 符号 $r$（合成样本数量）按需要补充的样本个数，稀缺区域多补、富余区域少补。
    rr
  4. 符号 $\cup$（并集运算）合成样本与原始样本合并，共同构成训练数据。
    Dorig∪{x~i}D_{orig} \cup \left\{ \tilde{x}_i \right\}

主动学习

聪明的向导补全地图时，不会漫无目的地到处走，而是先探最没把握的那几段路——有限的体力要花在刀刃上。能垒预测也面临同样的资源约束：给一个反应标注能垒，需要做一次完整的过渡态搜索，动辄数百上千核时的计算成本，预算永远不够把整个“未标注池”都标注完。主动学习的策略，就是优先标注那些最能让模型进步的数据。

流程像一个循环：先用初始小数据集训练模型，接下来让模型预测所有未标注候选体系并输出不确定性，然后选出不确定性最高的一批样本，交给昂贵的 DFT 计算去标注，把新标注的数据加入训练集后重训模型。每一轮迭代，模型都在最薄弱的地方得到补强。

样本选择环节的规则叫“查询策略”。最直观的是不确定性采样：选择预测方差最大的样本。更稳健的委员会查询则训练多个模型组成“评审团”，让它们对每个候选体系独立投票，分歧最大的样本被选中——就像让几位向导分别估山口高度，他们吵得越凶的地方越值得先去探路。

每个迭代周期，向导只多探几步，却恰到好处地把地图上最模糊的区域补清楚。主动学习最大的价值，是用同样的标注预算换来明显更高的山口预测精度——省下的每一分计算资源，都花在了刀刃上。

x∗=arg⁡max⁡x∈Uσ(x)\displaystyle x^* = \arg\max_{x \in \mathcal{U}} \sigma(x)
主动学习每一轮要找到的那个“最值得标注”的样本，就是未标注池里不确定性 σ(x) 最大的那一个。
  1. 符号 $\mathcal{U}$（未标注样本池）还没有做 DFT 计算的候选反应体系集合。
    U\mathcal{U}
  2. 符号 $\sigma(x)$（样本不确定性）模型对候选体系 x 的把握程度，来自集成模型或委员会的分歧。
    σ(x)\sigma(x)
  3. 符号 $\arg\max$（取最大值）在所有候选里挑出不确定性最大的那一个，相当于“先探最没把握的路段”。
    arg⁡max⁡\arg\max
  4. 结果 $x^*$（被选中样本）本轮要送去昂贵的 DFT 标注的幸运儿。
    x∗x^*

AI 应用场景

高通量催化剂筛选

阶段：预测筛选与决策辅助

解决的问题：传统催化剂筛选要对成千上万种候选合金或氧化物分别做过渡态搜索，一条条“爬山”成本极高。利用能垒预测模型批量估算候选催化剂的反应能垒，并结合不确定性量化给候选排序：能垒低且预测不确定性小的体系优先进入实验验证；能垒低但不确定性大的体系，先补做精确计算。

具体案例：某团队筛选 CO₂ 还原电催化剂，对 5000 个候选表面位点运行能垒预测模型，24 小时内筛出 37 个低能垒候选；再用主动学习从中挑选不确定性最高的 12 个补做 DFT 标注，两轮迭代后锁定 5 个最优体系送往实验，实验命中率比随机筛选提升近 4 倍。

有机合成路线评估

阶段：反应可行性预判

解决的问题：逆合成分析软件会枚举出成千上万条可能的合成路线，每条路线涉及多个基元反应的能垒。传统做法无法对每条路线都验证，AI 能垒预测可以对整条路线做“全程山口体检”：能垒过高的步骤被标记为高风险，并提示化学家更换催化剂或换一条路线。

具体案例：某制药公司在设计一款手性药物中间体时，AI 预测模型发现候选路线中“最后一步关环反应”的能垒高达 42 kcal/mol，且置信区间很宽；团队据此放弃该路线，改走另一条能垒仅 18 kcal/mol 的路线，中试收率从 31% 提升至 78%。

电池材料界面反应筛查

阶段：跨体系迁移与不确定性预警

解决的问题：电池电解液在电极表面会分解形成固体电解质界面（SEI）膜，界面反应能垒决定电池寿命与安全性。这类体系数据稀少且计算昂贵，正适合用迁移学习把通用分子数据集的预训练模型微调到电极-电解液界面体系，再用不确定性量化识别模型“没底”的危险反应。

具体案例：某新能源研究院针对新型高镍正极材料，迁移预训练图神经网络后仅用 80 条自算数据微调，预测了 11 种电解液添加剂的分解能垒；高不确定性预警成功避免了两个曾被文献推荐的“热门但危险”添加剂，后续实验证实其热稳定性确实不佳。

Python 演示

python35 行
# -*- coding: utf-8 -*-"""反应能垒预测: 随机森林 + 主动学习不确定性采样"""import numpy as npfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.metrics import mean_absolute_error def make_synthetic_data(n=200, seed=42):    """构造模拟数据: 5维原子特征 -> 能垒(eV)"""    rng = np.random.default_rng(seed)    X = rng.uniform(0, 1, size=(n, 5))    y = (0.8 * np.sin(3 * X[:, 0]) + 0.5 * X[:, 1] ** 2         + 0.3 * X[:, 2] * X[:, 3] + 0.2)    return X, y + rng.normal(0, 0.05, n) def forest_uncertainty(model, X):    """用森林各树预测的标准差估计不确定性"""    preds = np.array([t.predict(X) for t in model.estimators_])    return preds.std(axis=0) X_all, y_all = make_synthetic_data()idx = np.random.default_rng(0).permutation(len(X_all))X_pool, y_pool = X_all[idx[:150]], y_all[idx[:150]]X_lab, y_lab = X_all[idx[150:]], y_all[idx[150:]] for it in range(6):    model = RandomForestRegressor(n_estimators=60, random_state=0)    model.fit(X_lab, y_lab)    unc = forest_uncertainty(model, X_pool)    q = np.argsort(unc)[::-1][:3]    X_lab = np.vstack([X_lab, X_pool[q]])    y_lab = np.append(y_lab, y_pool[q])    X_pool = np.delete(X_pool, q, axis=0)    y_pool = np.delete(y_pool, q, axis=0)    mae = mean_absolute_error(y_lab[:50], model.predict(X_lab[:50]))    print("iter %d | pool %3d | mae %.4f eV" % (it, len(X_pool), mae))
目的：演示主动学习循环——用随机森林各棵树预测的离散程度作为不确定性，每轮挑出最不确定的 3 个样本加入训练集，观察模型误差随迭代的变化。
  1. preds = np.array([t.predict(X) for t in model.estimators_])让森林里每棵树都给出自己的预测，组成一个预测集合。
  2. return preds.std(axis=0)树与树之间分歧越大，该样本的不确定性越高。
  3. unc = forest_uncertainty(model, X_pool)对未标注池里每个候选体系算出不确定性。
  4. q = np.argsort(unc)[::-1][:3]找到不确定性最大的 3 个样本的下标。
  5. X_lab = np.vstack([X_lab, X_pool[q]])选中的样本加入已标注训练集。
  6. X_pool = np.delete(X_pool, q, axis=0)从未标注池中移除已选样本，避免重复选择。
  7. mae = mean_absolute_error(y_lab[:50], model.predict(X_lab[:50]))用固定 50 个样本评估当前模型的平均绝对误差，观察主动学习是否在进步。

常见误区

误区很多初学者认为，只要模型把能垒 $E_a$ 预测得足够准，反应速率就一定能算准，两者可以画等号。

正解能垒只是速率公式里的指数项。由 $k = A \cdot e^{-E_a/(RT)}$ 可知，速率还受指前因子 $A$、温度和浓度的影响。能垒相同但分子取向不同的反应，速率可能相差数倍。能垒预测解决的是“这条路能不能走”，速率预测还要考虑“队伍多快能走过去”，二者不能混为一谈。向导报得出山口高度，但队伍实际走多久还取决于队员体能。

为何常见：因为 $E_a$ 在指数项上影响最大，初学者容易忽视其他因素，误以为能垒就是速率的全部。

误区不少人觉得模型输出一个数字就够了，置信区间和标准差是“学术花瓶”，对实际工作毫无用处。

正解在高能垒稀有反应区域，模型可能错得离谱且不自知。没有不确定性，科学家无法判断这个预测值能否直接用于决策。集成模型给出的 $\sigma$ 可以提示“该补算还是该相信”，在催化剂筛选中能避免把预算浪费在不可行路线上。向导说“3.2 千米”和说“3.2 千米，但我不敢保证”对队伍的意义完全不同。

为何常见：普通机器学习教程大多只教回归任务的点预测，很少涉及预测分布，导致默认“输出一个数就完事了”。

误区初学者常从各个来源“扒”反应数据，认为样本量上去模型自然就准，噪声和重复数据无所谓。

正解数据质量直接决定能垒预测的上限。不同文献的 DFT 泛函、基组不一致，能垒标注可能相差好几个千卡；重复样本会让模型对特定体系过拟合。清洗去重、统一计算标准、剔除异常值，往往比盲目堆量更有效。一本记满错误信息的行山笔记，页数再多也帮不上向导的忙。

为何常见：因为“数据越多越好”在多数通用机器学习任务中确实成立，人们容易忽略能垒数据标注标准不统一这一特殊性。

误区认为把预训练模型下载下来，直接对目标体系做预测就行，完全不需要微调。

正解预训练模型学到的是通用化学规律，而目标体系往往有独特物理化学特性。不微调就使用，相当于让爬过阿尔卑斯的向导直接断言喜马拉雅某个山口的高度，很容易踩坑。正确做法是在目标小数据集上微调，并配合正则化防止遗忘通用知识；当目标数据极少时，至少也要做特征提取和模型校准。

为何常见：因为预训练模型的宣传材料常突出“开箱即用”，不少人忽略了跨体系分布差异这个大前提。

误区有人觉得主动学习每轮只选几个样本，省了标注预算，但模型精度肯定不如“把所有数据都标注完”。

正解主动学习不是让模型少学，而是让模型把有限预算花在最能提升能力的样本上。它选择的是不确定性最高的区域——正是模型最容易出错的地方。多个实验表明，相同标注预算下主动学习能达到甚至超过随机采样的精度。向导把体力花在最没把握的路段，地图补全效率远高于漫山遍野乱走。

为何常见：人们下意识认为“信息越多越好”，忽视了标注成本约束下“信息价值”并不均等这一事实。

面试题

Q1. 关于反应能垒 $E_a$ 与反应速率的关系，下列说法正确的是？

单选题 · easy

  • A.能垒越低反应越慢
  • B.能垒越高反应越慢← 正确答案
  • C.能垒不影响速率
  • D.能垒只影响浓度

答案：B。由阿伦尼乌斯公式 $k = A \cdot e^{-E_a/(RT)}$，能垒出现在指数的负号位置，能垒越高指数越小、速率常数越小。就像山口越高，能翻过去的队伍越少，反应自然越慢。A 项说反了，C、D 项否认能垒对速率的影响，均错误。

Q2. 构建能垒预测数据集时，下列做法最关键的是？

单选题 · easy

  • A.只求量大忽略噪声
  • B.已有数据无需清洗
  • C.标注标准统一可信← 正确答案
  • D.特征越多就一定越好

答案：C。能垒数据来自不同课题组和不同计算方法，泛函、基组、收敛判据不一致会直接污染标签。统一标注标准比盲目堆量更重要。这就像行山记录必须用同一把尺子量山口高度，否则经验再丰富也对不上号。

Q3. 迁移学习在跨体系能垒预测中的核心作用是？

单选题 · mid

  • A.学通用规律后微调适配← 正确答案
  • B.完全丢弃原有知识
  • C.仅把数据量翻倍
  • D.降低特征选择维度

答案：A。迁移学习先在通用大数据集上预训练，吸收原子间相互作用的通用规律，再在目标小数据集上微调适配特殊体系，解决目标数据稀缺的问题。B 项是重新训练，C、D 项与迁移学习的机制无关。

Q4. 用随机森林估计能垒预测不确定性时，最常用的方法是？

单选题 · mid

  • A.各树预测结果取平均
  • B.单棵树的预测误差
  • C.各树预测结果的标准差← 正确答案
  • D.训练集标签的方差

答案：C。随机森林天然是集成模型，各棵树对同一未知样本的预测越分散，说明模型对该区域越没把握，因此用各树预测的标准差估计不确定性。取平均只是得到点预测，不是不确定性。

Q5. 提升高能垒区域预测可靠性最有效的策略是？

单选题 · mid

  • A.加大测试集比例
  • B.补采不确定性高样本← 正确答案
  • C.删除所有高能垒样本
  • D.降低模型复杂度

答案：B。高能垒区域样本稀少是预测不准确的根源。通过不确定性量化识别模型没把握的区域，再用主动学习定向补采高不确定性样本，能直接用有限预算改善薄弱区域。删除高能垒样本只会让模型更不敢碰它们。

Q6. 主动学习中，不确定性采样策略选择下一个标注样本的依据是？

单选题 · hard

  • A.取训练误差最小的样本
  • B.取模型不确定性最高的样本← 正确答案
  • C.取标签数值最大的样本
  • D.取特征维度最高的样本

答案：B。不确定性采样认为模型最没把握的样本包含最多信息量，标注它能最大程度减少模型盲区，因此选取 $\sigma(x)$ 最大的样本。训练误差最小的样本已经很确定，标注价值低；标签值和特征维度与信息增益无关。

Q7. 数据增强中的“几何变换”在分子体系里通常指？

单选题 · easy

  • A.任意文本分类任务
  • B.分子构象扰动生成样本← 正确答案
  • C.修改训练样本标签
  • D.压缩数据集大小

答案：B。对分子的键长、键角施加物理可接受的小幅度扰动，生成能量相近但结构略有差异的构象作为新样本，属于几何变换增强。修改标签是造假，压缩数据是减量，都与增强无关。

Q8. 关于能垒预测的不确定性量化，下列说法正确的有？

多选题 · mid

  • A.高不确定性提示需补计算← 正确答案
  • B.集成模型可估计不确定性← 正确答案
  • C.不确定性量化无实用价值
  • D.可辅助实验优先级决策← 正确答案

答案：ABD。不确定性量化能给每个预测配上“把握程度”：集成模型通过预测离散度估计不确定性；高不确定性样本应优先补做精确计算；在催化剂筛选中，只有结合不确定性的排序才能指导实验优先级。C 项说法与前述价值相悖。

Q9. 提升能垒预测模型泛化能力的策略包括？

多选题 · mid

  • A.数据增强扩充训练样本← 正确答案
  • B.迁移学习复用预训练知识← 正确答案
  • C.主动学习定向补充数据← 正确答案
  • D.删除所有困难样本

答案：ABC。数据增强通过扰动与合成样本扩大覆盖，迁移学习用预训练知识弥补目标数据不足，主动学习定向补齐薄弱区域，三者都能提升泛化。删除困难样本只会让模型回避挑战区域，在高能垒预测中尤其有害。

Q10. 关于迁移学习微调过程，下列说法正确的有？

多选题 · hard

  • A.微调时可冻结部分底层参数← 正确答案
  • B.微调用目标任务数据更新参数← 正确答案
  • C.微调后应彻底偏离预训练知识
  • D.正则化可防止灾难性遗忘← 正确答案

答案：ABD。微调可以用目标数据更新全部或部分参数，冻结底层参数是一种常见策略；在损失函数中加入与预训练参数的偏离惩罚（正则化）能防止模型忘掉通用知识。C 项“彻底偏离”与微调的初衷相反，会导致过拟合与灾难性遗忘。