配方筛选不再靠猜：KolTa把温度物理残差写进采集规则，药物溶解度达标查询少约18%
核心概要
在测量样本很少、实验预算固定的配方发现中，KolTa把性质预测拆成组分基值、角色条件相互作用和锚定温度响应三部分，并用温度导数约束训练。它的采集规则把集成分歧与目标温度处的物理残差一起按折外误差校准。在二元混合物黏度、药物溶解度、离子液体黏度和模拟电解质电导率四个任务上，平均AULC均列第一或第二；药物任务达到80%回收所需查询中位数比最快对照少约18%。
深度剖析
配方发现现在可以在固定查询预算下优先挑出目标温度处排名前5%的候选，而不只是把整批候选的性质预测得更准。 此前的混合物主动学习流程多用期望改进或贪心规则，温度通常直接拼进混合物表示，没有对温度导数施加显式热力学约束。 在三个实测任务和一个模拟任务上，KolTa的平均AULC在每个任务都排第一或第二，并在按任务与随机种子配对的比较中，对八种对照策略里的七种赢下78组中的75组。
预测器先把每个组分的分子图编码，再按组分角色分别累加基值、做一轮有向消息传递刻画相互作用，最后用锚定在参考温度的网络描述温度响应。 温度子网络在参考温度处的输出被减去，因此它只预测相对该温度的变化，物理残差则比较网络导数与Arrhenius、van't Hoff或VFT关系给出的导数。 物理损失在每项任务五个固定温度上计算，不需要这些温度上有测量；采集权重每轮用五折折外有符号误差拟合，120轮中有115轮给物理残差分配了正权重。
把物理残差加入采集边际，比只用集成分歧的校准版本在两项消融任务上都提高了平均AULC。 只用分歧校准的A1在药物任务上平均AULC为0.729，离子液体任务为0.736。 完整PRC-UCB把这两项分别提到0.738和0.748，并在六组配对运行中赢下五组；药物任务达到80%宏平均回收的查询中位数为348，最快对照SolvGNN-UCB为424。
启示与展望
评估是回顾性的：在NIST二元混合物黏度、86个药物组的溶解度、ILThermo离子液体黏度和DiffMix模拟电解质电导率四个任务上，用固定查询预算比较各策略的发现曲线与锁定集误差。物理损失在每项任务五个固定温度上施加，温度是模型唯一的变化条件。
超出训练温度范围的外推尚未评估，物理关系直接写进温度响应函数只是作者提出的可能方向。模型目前只把温度当作变化条件，扩展到温度与压力共同变化需要额外的条件输入和耦合物理约束。代码将在论文被接收后公开。