面向材料与化学的部分贝叶斯神经网络的主动学习与迁移学习

主动学习是一个迭代选取最具信息量的数据点进行探索的过程,对于高效表征材料与化学性质空间至关重要。神经网络在预测这些性质方面表现出色,但缺乏主动学习驱动探索所需的不确定性量化。完全贝叶斯神经网络将权重视为通过高级马尔可夫链蒙特卡洛方法推断的概率分布,提供了稳健的不确定性量化,但计算成本高昂。在此我们表明,部分贝叶斯神经网络(PBNNs)——其中仅选定层具有概率权重而其余层保持确定性——能够在主动学习任务中以较低计算成本实现与完全贝叶斯网络相当的准确性与不确定性估计。此外,通过以在理论计算上预训练的权重初始化先验分布,我们证明 PBNNs 能够有效利用计算预测来加速实验数据的主动学习。我们在分子性质预测与材料科学任务上验证了这些方法,确立了 PBNNs 作为在有限且复杂数据集上进行主动学习的实用工具。