LTAU-FF：用于原子力场不确定性的损失轨迹分析
机器学习
2024-05-24 v2 材料科学
摘要
模型集成是估计深度学习原子力场中预测不确定性的有效工具。然而，其广泛采用受到高计算成本和过度自信的误差估计的阻碍。在这项工作中，我们通过利用训练期间获得的每个样本误差分布，并在模型潜在空间中执行基于距离的相似性搜索来应对这些挑战。我们的方法称为LTAU，它使用记录的训练误差有效地估计任何测试点的误差的完整概率分布函数（PDF），速度比典型的集成方法快2-3个数量级，使其可用于训练或评估多个模型不可行的任务。我们将LTAU应用于估计原子力场中的参数不确定性（LTAU-FF），证明其改进的集成多样性产生了良好校准的置信区间，并且对于训练域附近的数据，预测的误差与真实误差强相关。此外，我们展示了LTAU-FF预测的误差可用于实际应用，例如检测域外数据、调整模型性能以及预测模拟过程中的失败。我们相信LTAU将成为原子力场中不确定性量化（UQ）的有价值工具，并且是一种有前途的方法，应在机器学习的其他领域进一步探索。
引用
@article{arxiv.2402.00853,
title = {LTAU-FF: Loss Trajectory Analysis for Uncertainty in Atomistic Force Fields},
author = {Joshua A. Vita and Amit Samanta and Fei Zhou and Vincenzo Lordi},
journal= {arXiv preprint arXiv:2402.00853},
year = {2024}
}