Uncertainty quantification for misspecified machine learned interatomic potentials

doi:10.1038/s41524-025-01758-4

Uncertainty quantification for misspecified machine learned interatomic potentials

2025-08-16

0

OA

AI

D

Danny Pérez *

A

Aparna P. A. Subramanyam

I

Ivan Maliyov

T

Thomas D. Swinburne *

DOI：10.1038/s41524-025-01758-4

原文链接

原文求助

摘要

En 中文

机器学习中的高维回归技术的应用显著提高了原子间势函数的定量精度。原子模拟现在能够在多种场景下进行合理的定量预测，这为量化不确定性的稳健方法带来了新的关注。在许多实际场景中，当模型复杂度受限（例如由于性能考虑）时，模型误设——即任何一组模型参数都无法完全匹配所有训练数据的能力——是导致误差的关键因素，但常被忽视。在此，我们采用一种近期提出的误设感知回归技术来量化参数不确定性，随后将不确定性传播到钨的广泛相变和缺陷性质中。传播过程通过暴力重采样和隐式泰勒展开两种方法实现。传播得到的误设不确定性能够稳健地量化并限定多种材料属性的误差范围。我们展示了该方法在近期基础机器学习原子间势函数中的应用，准确预测并限定了MACE-MPA-0能量预测在多样化材料项目数据库中的误差。

Uncertainty quantification for misspecified machine learned interatomic potentials

摘要

期刊

机构

引用论文