Learning atomic forces from uncertainty-calibrated adversarial attacks

doi:10.1038/s41524-025-01703-5

Learning atomic forces from uncertainty-calibrated adversarial attacks

2025-07-01

0

OA

AI

H

Henrique Musseli Cezar

T

Tilmann Bodenstein

H

Henrik Andersen Sveinsson

Sigbjørn Løland Bore *

DOI：10.1038/s41524-025-01703-5

原文链接

查看原文

摘要

En 中文

对抗性方法通过生成困难样例来有意挑战机器学习模型，正日益被用于改进机器学习原子间势能（MLIPs）。尽管已展现出巨大的实际价值，但关于MLIPs在对抗性结构上的实际预测误差及其可控性仍知之甚少。我们提出了校准对抗几何优化（CAGO）算法，用于发现具有用户指定误差的对抗性结构。通过不确定性校准，将MLIPs的估计不确定性与其真实误差统一。通过对校准后的不确定性执行几何优化，我们达到了具有用户指定目标MLIP预测误差的对抗性结构。通过与主动学习流程集成，我们对CAGO进行了基准测试，展示了稳定的MLIPs能够在仅数百个训练结构内系统地收敛液态水及金属有机骨架中水吸附的结构、动力学和热力学性质，而此前通常需要数万个训练结构。

Learning atomic forces from uncertainty-calibrated adversarial attacks

摘要

AI总结

期刊

机构