論文の概要: Scalable Bayesian Uncertainty Quantification for Neural Network
Potentials: Promise and Pitfalls
- arxiv url: http://arxiv.org/abs/2212.07959v2
- Date: Thu, 27 Jul 2023 07:23:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 20:31:01.662063
- Title: Scalable Bayesian Uncertainty Quantification for Neural Network
Potentials: Promise and Pitfalls
- Title（参考訳）: ニューラルネットワークポテンシャルのスケーラブルベイズ不確実性定量化:約束と落とし穴
- Authors: Stephan Thaler, Gregor Doehner, Julija Zavadlav
- Abstract要約: ニューラルネットワーク(NN)ポテンシャルは、古典的MD力場の計算複雑性の中で非常に正確な分子動力学(MD)シミュレーションを約束する。
トレーニング領域外に適用した場合、NN電位予測は不正確になり、不確実性定量化(UQ)の必要性が高まる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural network (NN) potentials promise highly accurate molecular dynamics
(MD) simulations within the computational complexity of classical MD force
fields. However, when applied outside their training domain, NN potential
predictions can be inaccurate, increasing the need for Uncertainty
Quantification (UQ). Bayesian modeling provides the mathematical framework for
UQ, but classical Bayesian methods based on Markov chain Monte Carlo (MCMC) are
computationally intractable for NN potentials. By training graph NN potentials
for coarse-grained systems of liquid water and alanine dipeptide, we
demonstrate here that scalable Bayesian UQ via stochastic gradient MCMC
(SG-MCMC) yields reliable uncertainty estimates for MD observables. We show
that cold posteriors can reduce the required training data size and that for
reliable UQ, multiple Markov chains are needed. Additionally, we find that
SG-MCMC and the Deep Ensemble method achieve comparable results, despite
shorter training and less hyperparameter tuning of the latter. We show that
both methods can capture aleatoric and epistemic uncertainty reliably, but not
systematic uncertainty, which needs to be minimized by adequate modeling to
obtain accurate credible intervals for MD observables. Our results represent a
step towards accurate UQ that is of vital importance for trustworthy NN
potential-based MD simulations required for decision-making in practice.
- Abstract（参考訳）: ニューラルネットワーク(NN)ポテンシャルは、古典的MD力場の計算複雑性の中で非常に正確な分子動力学(MD)シミュレーションを約束する。
しかし、トレーニング領域外に適用した場合、NNポテンシャル予測は不正確になり、不確実性定量化(UQ)の必要性が高まる。
ベイズモデリングはuqの数学的枠組みを提供するが、マルコフ連鎖モンテカルロ(mcmc)に基づく古典的なベイズ手法はnnポテンシャルに対して計算的に難解である。
液体水とアラニンジペプチドの粗粒系に対するグラフNN電位をトレーニングすることにより、確率勾配MCMC(SG-MCMC)によるスケーラブルベイズUQが、MD可観測物に対して確実な不確実性推定をもたらすことを示した。
冷間後部は必要なトレーニングデータサイズを削減でき、信頼性の高いUQには複数のマルコフ連鎖が必要であることを示す。
さらに,SG-MCMCとDeep Ensemble法は,トレーニングが短く,ハイパーパラメータの調整も少ないにもかかわらず,同等の結果が得られた。
いずれの手法も,md観測可能な正確な信頼区間を得るためには,適切なモデリングによって最小化する必要があるが,系統的不確実性は得られない。
本研究は,実際の意思決定に必要な信頼できるNN電位に基づくMDシミュレーションにおいて重要な,正確なUQに向けた一歩である。
関連論文リスト
- Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。
本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。
クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
論文 参考訳（メタデータ） (2023-11-04T19:40:16Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳（メタデータ） (2023-07-19T12:11:15Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳（メタデータ） (2023-07-04T16:45:21Z) - Evaluation of machine learning architectures on the quantification of
epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。
ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。
検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
論文 参考訳（メタデータ） (2023-06-27T02:35:25Z) - Single-model uncertainty quantification in neural network potentials
does not consistently outperform model ensembles [0.7499722271664145]
ニューラルネットワーク(NN)は、遠く離れた地点であっても、予測に高い信頼性を割り当てることが多い。
不確かさ定量化(英: Uncertainty Quantification、UQ)は、物質系における原子間ポテンシャルのモデル化に使用されるときの課題である。
異なるUQ技術は、新しい情報データを見つけ、堅牢なポテンシャルのためにアクティブな学習ループを駆動することができる。
論文 参考訳（メタデータ） (2023-05-02T19:41:17Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳（メタデータ） (2022-04-01T03:31:27Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳（メタデータ） (2021-07-09T08:14:45Z) - Rapid Risk Minimization with Bayesian Models Through Deep Learning
Approximation [9.93116974480156]
本稿では,ベイズモデル (BM) とニューラルネットワーク (NN) を組み合わせて,予測を最小限のリスクで行う手法を提案する。
私たちのアプローチは、BMのデータ効率と解釈可能性とNNの速度を組み合わせます。
テストデータセットに無視できる損失がある標準手法よりも、リスク最小限の予測をはるかに高速に達成する。
論文 参考訳（メタデータ） (2021-03-29T15:08:25Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Efficient Uncertainty Quantification for Dynamic Subsurface Flow with
Surrogate by Theory-guided Neural Network [0.0]
理論誘導ニューラルネットワーク(TgNN)により構築された代理体を用いた動的地下流れの効率的な不確実性定量化手法を提案する。
パラメータ、時間、位置はニューラルネットワークの入力であり、関心の量は出力である。
トレーニングされたニューラルネットワークは、新しいパラメータで地下流れ問題の解を予測することができる。
論文 参考訳（メタデータ） (2020-04-25T12:41:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。