关于神经网络势集成不确定性估计的质量
材料科学
2022-01-24 v2 无序系统与神经网络
摘要
神经网络势（NNP）将经典原子间势的计算效率与用于生成训练集的 ab initio 方法的高精度和灵活性相结合，但在训练集分布之外使用时也可能导致非物理预测。在主动学习或势的实时生成中，需要估计 NNP 的认知不确定性。受其他机器学习应用中的使用启发，NNP 集成已被若干研究用于不确定性预测，但需注意集成并不提供严格的贝叶斯不确定性估计。为检验 NNP 集成是否提供准确的不确定性估计，我们在四个不同案例研究中训练此类集成，并将预测不确定性与分布外验证集上的误差进行比较。我们的结果表明，NNP 集成常常过于自信，低估模型的不确定性，且需针对每个体系和架构进行校准。我们还提供证据表明，通过使用蒙特卡洛技术对模型参数的后验分布采样获得的贝叶斯 NNP 可提供更优的不确定性估计。
引用
@article{arxiv.2108.05748,
title = {On the Quality of Uncertainty Estimates from Neural Network Potential Ensembles},
author = {Leonid Kahle and Federico Zipoli},
journal= {arXiv preprint arXiv:2108.05748},
year = {2022}
}