P-DRUM：面向机器学习势函数的事后基于描述符的残差不确定性建模
机器学习
2025-11-13 v2 材料科学
摘要
集成方法被认为是机器学习原子间势函数（MLIPs）中不确定性量化（UQ）的黄金标准。然而，其高昂的计算成本限制了其实用性。诸如 Monte Carlo dropout 和深度核学习等替代技术已被提出以提高计算效率；然而，其中一些方法无法应用于已训练的模型，且可能影响预测精度。在本文中，我们提出了一种简单高效的事后 UQ 框架，该框架利用已训练图神经网络势函数的描述符来估计残差误差。我们将此方法称为事后基于描述符的残差不确定性建模（P-DRUM）。P-DRUM 对 MLIP 预测值与真值之间的差异进行建模，使这些残差可作为预测不确定性的代理。我们探索了 P-DRUM 的多种变体，并将其与现有的 UQ 方法进行了基准比较，评估了它们的有效性与局限性。
引用
@article{arxiv.2509.02927,
title = {P-DRUM: Post-hoc Descriptor-based Residual Uncertainty Modeling for Machine Learning Potentials},
author = {Shih-Peng Huang and Nontawat Charoenphakdee and Yuta Tsuboi and Yong-Bin Zhuang and Wenwen Li},
journal= {arXiv preprint arXiv:2509.02927},
year = {2025}
}
备注
Accepted to 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Machine Learning and the Physical Sciences (ML4PS)