基于等变贝叶斯神经网络的高精度不确定性感知原子间作用力建模
化学物理
2023-04-10 v1 机器学习
计算物理
摘要
尽管贝叶斯神经网络为建模不确定性、主动学习以及融入先验物理知识提供了一个有前景的框架，但在原子间作用力建模背景下鲜有其应用。将其应用于学习原子间作用力的主要挑战之一，是缺乏适用于后验密度采样的合适蒙特卡洛马尔可夫链采样算法，因为常用算法对于许多最先进的架构无法在实用时间内收敛。为应对这一挑战，我们在本文中引入了一种新的蒙特卡洛马尔可夫链采样算法，可规避现有采样方法的问题。此外，我们基于 NequIP 架构引入了一种新的随机神经网络模型，并证明当其与我们的新采样算法结合时，可获得具有最先进精度以及良好不确定性度量的预测。
引用
@article{arxiv.2304.03694,
title = {High Accuracy Uncertainty-Aware Interatomic Force Modeling with Equivariant Bayesian Neural Networks},
author = {Tim Rensmeyer and Benjamin Craig and Denis Kramer and Oliver Niggemann},
journal= {arXiv preprint arXiv:2304.03694},
year = {2023}
}