主动学习让模型参与“下一批做什么实验”的决策。它不是简单挑预测分最高的分子，而是在探索和利用之间做权衡，用更少实验获得最大信息量。
常见采集策略
- 不确定性采样：优先做模型最不确定的分子，改善模型。
- 贪心利用：优先做预测最优的分子，追求短期项目推进。
- 多样性采样：覆盖更多化学空间，避免同质化。
- 贝叶斯优化：综合预测均值和不确定性，平衡探索/利用。
药研落地条件
- 必须有可靠的不确定性估计；如果模型过度自信，主动学习会走偏。
- 合成周期和实验成本必须纳入采集函数，不能只看模型信息量。
- 每轮实验数据要及时标准化并回灌，形成真正 DMTA 闭环。
关键要点
- 主动学习选的是“最值得实验”的分子，不一定是最高分分子；
- 采集策略要匹配项目阶段；
- 不确定性、合成成本和实验回灌是落地关键。
延伸资源
- 配套：166《不确定性估计》、DMTA 实战流程模块。