面向 OOD 材料性质预测的 GNN 基准测试与不确定性量化
机器学习
2025-11-18 v1 材料科学
摘要
我们提出 MatUQ，一个用于评估图神经网络（GNN）在外部分布（OOD）材料性质预测中进行不确定性量化（UQ）的基准框架。MatUQ 由来自六个材料数据集中构建的 1,375 个 OOD 预测任务组成，采用五种基于 OFM 的划分策略以及我们新提出的结构感知划分策略 SOAP-LOCO，该策略更有效地捕捉局部原子环境。我们在统一的不确定性感知训练协议下评估了 12 个代表性 GNN 模型，该协议结合蒙特卡罗 dropout 和深度信任回归（Deep Evidential Regression, DER），并引入一种新颖的不确定性度量 D-EviU，其在大多数任务中与预测误差相关性最强。我们的实验得出两个关键发现。首先，不确定性感知训练方法显著提高了模型预测准确性，在具有挑战性的 OOD 场景中将误差平均降低 70.6%。其次，基准显示没有单个模型在所有情形下都占据统治地位：如 SchNet 和 ALIGNN 等早期模型仍具竞争力，而像 CrystalFramer 和 SODNet 等新型模型则在特定材料性质上表现卓越。这些结果为在材料发现中的分布迁移场景下选择可靠模型提供了实用见解。
引用
@article{arxiv.2511.11697,
title = {Benchmarking GNNs for OOD Materials Property Prediction with Uncertainty Quantification},
author = {Liqin Tan and Pin Chen and Menghan Liu and Xiean Wang and Jianhuan Cen and Qingsong Zou},
journal= {arXiv preprint arXiv:2511.11697},
year = {2025}
}
备注
12 pages, 1 figure, 5 tables