基于浅层集成的图神经网络不确定性量化
机器学习
2025-04-18 v1 计算物理
摘要
机器学习势(MLP)通过提供分子和材料性质的准确且高效的预测， revolutionized了材料发现。由于其捕获复杂原子相互作用的能力，图神经网络(GNN)已成为最先进的方法之一。然而，GNN在遇到域外数据时常常产生不可靠的预测，难以识别何时会发生这种情况。为解决这一挑战，我们探索了不确定性量化(UQ)技术，专注于直接浅层集成传播(DPOSE)作为深层集成的计算效率替代方案。通过将DPOSE集成到SchNet模型中，我们评估了其在包括QM9、OC20和Gold分子动力学等多样化密度泰函理论数据集中的准确性。我们的发现常常表明，DPOSE成功地区分了域内和域外样本，为未观察到的分子和材料类别显示更高的不确定性。这项工作突显了轻量级UQ方法在提高GNN基于材料建模的鲁棒性方面的潜力，为未来的主动学习集成奠定了基础。
引用
@article{arxiv.2504.12627,
title = {Uncertainty Quantification in Graph Neural Networks with Shallow Ensembles},
author = {Tirtha Vinchurkar and Kareem Abdelmaqsoud and John R. Kitchin},
journal= {arXiv preprint arXiv:2504.12627},
year = {2025}
}