基于工程化潜在空间距离提高图神经网络势函数不确定性估计
机器学习
2024-08-27 v2 材料科学
摘要
图神经网络（Graph Neural Networks, GNNs）已被证明在分子性质预测方面具有惊人的能力，尤其是作为计算能量进行新材料发现的替代方法。然而，GNNs在此背景下的一个局限是缺乏有效的不确定性预测方法，而这在材料发现流程中至关重要。本文指出，针对松弛能量计算的不确定性量化比其他类型分子性质预测更为复杂，这是由于结构优化对误差分布的影响。我们提议，分布自由技术是评估校准、重校准和开发GNNs进行松弛能量计算不确定性预测方法的更有用工具。我们还基于分布自由重校准方法开发了一个用于评估等变GNNs不确定性方法的松弛能量任务，采用Open Catalyst Project数据集。我们对一组流行的不确定性预测方法在该任务上的表现进行基准测试，表明潜在距离方法，经过我们 novel 的改进，是针对松弛能量计算最佳且最经济的校准方法。最后，我们演示了我们的潜在空间距离方法在聚类示例以及来自训练数据集之外的特定态压和吸附覆盖率实例中，能够产生符合我们预期的结果。
引用
@article{arxiv.2407.10844,
title = {Improved Uncertainty Estimation of Graph Neural Network Potentials Using Engineered Latent Space Distances},
author = {Joseph Musielewicz and Janice Lan and Matt Uyttendaele and John R. Kitchin},
journal= {arXiv preprint arXiv:2407.10844},
year = {2024}
}