分子機械学習における不確実性キャリブレーション：証拠的アプローチとアンサンブルアプローチの比較

科学分野:

• 量子化学
• 機械学習
• 計算化学

背景:

• 機械学習（ML）モデルは量子化学において不可欠である。
• MLモデルの信頼性は、不確実性定量化（UQ）に依存する。
• 深層証拠回帰（DER）や深層アンサンブルなどの既存のUQ法には限界がある。
• 深層証拠回帰（DER）と深層アンサンブルを適用した。
• 事後キャリブレーション法：単調回帰（ISR）、標準スケーリング、GP-Normalを使用した。
• 分子特性予測のためのQM9およびWS22データセットで性能を評価した。

研究 の 目的:

• 量子化学におけるUQのためのDERと深層アンサンブルを比較する。
• UQ法に対する事後キャリブレーションの影響を評価する。
• QM9およびWS22データセットに対するキャリブレーション技術の有効性を評価する。

主な方法:

• 深層証拠回帰（DER）と深層アンサンブルを適用した。
• 事後キャリブレーション法：単調回帰（ISR）、標準スケーリング、GP-Normalを使用した。
• 分子特性予測のためのQM9およびWS22データセットで性能を評価した。

主要な成果:

• DERとアンサンブルの生不確実性は不正確であった。
• キャリブレーション技術は、予測分散と観測誤差を正常に一致させた。
• キャリブレーションされたDERは、QM9における高信頼度予測フィルタリングを改善した。
• キャリブレーションされたアンサンブルは、WS22におけるab initio評価を20%以上削減し、アクティブラーニングを強化した。

結論:

• 事後キャリブレーションは、量子化学MLにおける正確なUQに不可欠である。
• キャリブレーションは、不確実性推定を実用的な洞察に変換する。
• キャリブレーションされたUQ法は、信頼できる予測とリソース効率の良い分子モデリングを保証する。