Flexible uncertainty calibration for machine-learned interatomic potentials

Cheuk Hin Ho

doi:10.1038/s41524-026-02080-3

Flexible uncertainty calibration for machine-learned interatomic potentials

2026-04-27

0

OA

AI

DOI：10.1038/s41524-026-02080-3

原文链接

查看原文

摘要

En 中文

可靠的置信度量化（UQ）对于开发预测性原子模拟中的机器学习原子间势（MLIPs）至关重要。一致性预测（CP）是一种统计框架，在最小假设下构建具有保证覆盖率的预测区间，使其成为UQ的有吸引力的工具。然而，现有的CP技术虽然在提供正式的覆盖率保证方面表现出色，但往往缺乏准确性、可扩展性和对原子环境复杂性的适应性。在这项工作中，我们提出了一种灵活的置信度校准框架，用于MLIPs，该框架受CP启发，但被重新表述为一个参数化优化问题。这种表述能够直接学习环境依赖的分位数函数，以可忽略的计算成本产生更精确和更自适应的预测区间。以基础模型MACE-MP-0作为代表性案例，我们在包括离子晶体、催化表面和分子系统的多样化基准上展示了该框架。我们的结果在置信度-误差相关性方面取得了显著改进，提高了对主动学习中高误差配置的检测，并在不同的交换-相关泛函之间实现了可靠转移。重要的是，它具有通用性、数据高效性，并且与各种MLIP架构和基准UQ方案兼容，为开发稳健且可转移的原子模拟提供了实用途径。

Keyword:

uncertainty quantification

machine-learned interatomic potentials

conformal prediction

predictive intervals

atomistic simulations

Flexible uncertainty calibration for machine-learned interatomic potentials

摘要

AI总结

期刊

机构