图表神经网络的原子间潜能组合与校准的能量和力量的aleatoric和认识系统的不确定性
Jonas Busk1, Mikkel N Schmidt2, Ole Winther2,3,4
1Department of Energy Conversion and Storage, Technical University of Denmark, Kongens Lyngby, Denmark. jbusk@dtu.dk.
本研究介绍了一种机器学习 (ML) 框架,用于准确的材料模拟. 它为能量和力提供可靠的不确定性估计,这对于避免预测错误至关重要.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 潜力加速材料模拟,但需要可靠的不确定性量化.
- 检测不可靠的ML预测对于防止结构优化和分子动力学错误结果至关重要.
研究的目的:
- 为培训和重新校准图形神经网络组合模型开发一个全面的框架.
- 为了实现精确的预测的能量和力量与校准的不确定性估计ML潜力.
主要方法:
- 利用图形神经网络组合模型来学习机器潜力.
- 纳入了认识论和定量论的不确定性量化.
- 应用后期重新校准,使用非线性缩放函数进行不确定性校准.
主要成果:
- 展示了ANI-1x和Transition1x数据集的框架,具有不同的构造.
- 为能量和力实现了低预测误差.
- 展示了良好的不确定性校准,预测不确定性与预期错误相关.
结论:
- 拟议的方法提供了一个完整的框架,用于在ML潜力中校准的认识论和定量论不确定性预测.
- 这种方法确保了精确的预测和可靠的不确定性估计的能量和力量.
- 该框架对于在材料科学中对ML的可靠应用至关重要.
更多相关视频
11:18Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks
Published on: March 2, 2015
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
相关概念视频
Thermodynamic Potentials
Propagation of Uncertainty from Systematic Error
Uncertainty: Overview
Predicting Molecular Geometry
Propagation of Uncertainty from Random Error
Free Energy Changes for Nonstandard States
where R is the gas constant (8.314 J/K·mol), T is the absolute temperature in kelvin, and Q is the reaction quotient. This equation may be used to predict the spontaneity of a process under any given set of conditions.
Reaction Quotient...
