Calibración de la Incertidumbre en Aprendizaje Automático Molecular: Comparación de Enfoques Evidenciales y de...

Área de la Ciencia:

• Química Cuántica
• Aprendizaje Automático
• Química Computacional

Sus antecedentes:

• Los modelos de aprendizaje automático (ML) son vitales en química cuántica.
• La fiabilidad de los modelos de ML depende de la cuantificación de la incertidumbre (UQ).
• Los métodos UQ existentes, como la regresión de evidencia profunda (DER) y los conjuntos profundos, tienen limitaciones.

Objetivo del estudio:

• Comparar DER y conjuntos profundos para UQ en química cuántica.
• Evaluar el impacto de la calibración post hoc en los métodos UQ.
• Evaluar la efectividad de las técnicas de calibración en los conjuntos de datos QM9 y WS22.

Principales métodos:

• Se aplicó regresión de evidencia profunda (DER) y conjuntos profundos.
• Se utilizaron métodos de calibración post hoc: regresión isotónica (ISR), escalado estándar y GP-Normal.
• Se evaluó el rendimiento en los conjuntos de datos QM9 y WS22 para la predicción de propiedades moleculares.

Principales resultados:

• Las incertidumbres brutas de DER y los conjuntos estaban mal calibradas.
• Las técnicas de calibración alinearon con éxito las varianzas predichas con los errores observados.
• La DER calibrada mejoró el filtrado de predicciones de alta confianza en QM9.
• Los conjuntos calibrados redujeron las evaluaciones redundantes ab initio en más del 20% en WS22, mejorando el aprendizaje activo.

Conclusiones:

• La calibración post hoc es esencial para una UQ precisa en ML de química cuántica.
• La calibración transforma las estimaciones de incertidumbre en información procesable.
• Los métodos UQ calibrados garantizan predicciones fiables y modelado molecular eficiente en recursos.