基于贝叶斯神经网络模型的分子性质预测不确定性量化
化学物理
2019-05-17 v1 机器学习
机器学习
摘要
在化学中，深度神经网络模型已日益用于多种应用，如分子性质预测、新分子设计以及化学反应规划。尽管最先进模型与算法的使用迅速增加，深度神经网络模型在真实应用中常产生较差预测，因为模型性能高度依赖于训练数据质量。在分子分析领域，数据大多来自复杂化学实验或近似数学方程，故数据质量可能存疑。本文中，我们利用贝叶斯神经网络量化分子性质预测中的预测不确定性。我们估计模型驱动与数据驱动的不确定性，通过三个实验展示不确定性量化作为质量检查器与置信指示器的有用性。我们的结果表明，不确定性量化对于更可靠的分子应用是必要的，且贝叶斯神经网络模型可作为一种实用方法。
引用
@article{arxiv.1905.06945,
title = {Uncertainty quantification of molecular property prediction using Bayesian neural network models},
author = {Seongok Ryu and Yongchan Kwon and Woo Youn Kim},
journal= {arXiv preprint arXiv:1905.06945},
year = {2019}
}
备注
Workshop on "Machine Learning for Molecules and Materials", NIPS 2018. arXiv admin note: substantial text overlap with arXiv:1903.08375