論文の概要: Clarifying Trust of Materials Property Predictions using Neural Networks
with Distribution-Specific Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2302.02595v1
- Date: Mon, 6 Feb 2023 07:03:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 17:33:36.630366
- Title: Clarifying Trust of Materials Property Predictions using Neural Networks
with Distribution-Specific Uncertainty Quantification
- Title（参考訳）: 分布特異不確かさ量子化ニューラルネットワークによる材料特性予測の信頼性の解明
- Authors: Cameron Gruich, Varun Madhavan, Yixin Wang, Bryan Goldsmith
- Abstract要約: 不確実性(UQ)手法は、機械学習(ML)モデル予測の信頼性を推定することができる。
本稿では,Open Catalyst 2020データセットから合金上の分子のエネルギーを予測するために応用された様々なUQ法について検討する。
証拠レグレッションは、急速に競争力のあるUQ推定を得るための強力なアプローチであることが示されている。
- 参考スコア（独自算出の注目度）: 16.36620228609086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is critical that machine learning (ML) model predictions be trustworthy
for high-throughput catalyst discovery approaches. Uncertainty quantification
(UQ) methods allow estimation of the trustworthiness of an ML model, but these
methods have not been well explored in the field of heterogeneous catalysis.
Herein, we investigate different UQ methods applied to a crystal graph
convolutional neural network (CGCNN) to predict adsorption energies of
molecules on alloys from the Open Catalyst 2020 (OC20) dataset, the largest
existing heterogeneous catalyst dataset. We apply three UQ methods to the
adsorption energy predictions, namely k-fold ensembling, Monte Carlo dropout,
and evidential regression. The effectiveness of each UQ method is assessed
based on accuracy, sharpness, dispersion, calibration, and tightness.
Evidential regression is demonstrated to be a powerful approach for rapidly
obtaining tunable, competitively trustworthy UQ estimates for heterogeneous
catalysis applications when using neural networks. Recalibration of model
uncertainties is shown to be essential in practical screening applications of
catalysts using uncertainties.
- Abstract（参考訳）: 機械学習(ML)モデル予測は,高スループット触媒発見アプローチにおいて信頼性が高いことが重要である。
不確かさ定量化(UQ)法はMLモデルの信頼性を推定できるが、不均一触媒学の分野では十分に研究されていない。
そこで本研究では, 結晶グラフ畳み込みニューラルネットワーク(cgcnn)に応用した異なるuq法について検討し, 既存不均一触媒データセットであるopen catalyst 2020(oc20)データセットから, 合金分子の吸着エネルギーを予測する。
吸着エネルギー予測法として,k-fold ensembling,montal carlo dropout,visial regressionの3つの手法を適用した。
それぞれのUQ法の有効性は,精度,シャープ性,分散性,キャリブレーション,タイトネスに基づいて評価される。
エビデンシャル回帰は、ニューラルネットワークを用いた不均一触媒応用において、チューナブルで競争力のあるUQ推定を迅速に得るための強力なアプローチであることが示されている。
モデル不確かさの再調整は不確実性を利用した触媒の実用的スクリーニングに不可欠である。
関連論文リスト
- Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。
しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。
本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
論文 参考訳（メタデータ） (2024-07-19T10:29:00Z) - Improved Uncertainty Estimation of Graph Neural Network Potentials Using Engineered Latent Space Distances [1.9286144773392733]
緩和エネルギー計算における不確実性定量化は他の種類の分子特性予測において不確実性定量化よりも複雑であることを示す。
本研究では,GNNの校正,校正,再校正,不確実性予測手法の開発において,分散フリー手法がより有用なツールであることが示唆された。
論文 参考訳（メタデータ） (2024-07-15T15:59:39Z) - Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。
提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。
構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
論文 参考訳（メタデータ） (2024-06-12T10:51:00Z) - Decoupling of neural network calibration measures [45.70855737027571]
本稿では,AUSE(Area Under Sparsification Error curve)測定値に焦点をあてて,異なるニューラルネットワークキャリブレーション尺度の結合について検討する。
本稿では,現行の手法は自由度を保ち,安全クリティカルな機能のホモログ化のユニークなモデルを妨げると結論付けている。
論文 参考訳（メタデータ） (2024-06-04T15:21:37Z) - Ensemble models outperform single model uncertainties and predictions
for operator-learning of hypersonic flows [43.148818844265236]
限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。
高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。
我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
論文 参考訳（メタデータ） (2023-10-31T18:07:29Z) - Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search [2.711812013460678]
本稿では,分子特性予測のための自動不確実性定量化(UQ)手法であるAutoGNNUQを紹介する。
我々のアプローチでは、分散分解を用いてデータ(アラート)とモデル(エステミック)の不確実性を分離し、それらを減らすための貴重な洞察を提供する。
AutoGNNUQは、正確な不確実性定量化が意思決定に不可欠である薬物発見や材料科学などの領域で広く適用可能である。
論文 参考訳（メタデータ） (2023-07-19T20:03:42Z) - Uncertainty quantification for predictions of atomistic neural networks [0.0]
本稿では、量子化学参照データに基づくトレーニングニューラルネットワーク(NN)の予測における不確かさの定量化値について検討する。
PhysNet NN のアーキテクチャを好適に修正し,キャリブレーションの定量化,予測品質,予測誤差と予測不確かさの相関性を評価した。
論文 参考訳（メタデータ） (2022-07-14T13:39:43Z) - Conditional-Flow NeRF: Accurate 3D Modelling with Reliable Uncertainty
Quantification [44.598503284186336]
Conditional-Flow NeRF (CF-NeRF) は、不確実な定量化をNeRFベースのアプローチに組み込む新しい確率的フレームワークである。
CF-NeRFは、モデル化されたシーンに関連する不確実性を定量化するために使用される全ての可能な放射場モデリング上の分布を学習する。
論文 参考訳（メタデータ） (2022-03-18T23:26:20Z) - 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) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。