論文の概要: Improved Uncertainty Estimation of Graph Neural Network Potentials Using Engineered Latent Space Distances
- arxiv url: http://arxiv.org/abs/2407.10844v2
- Date: Mon, 26 Aug 2024 17:31:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 22:47:47.398813
- Title: Improved Uncertainty Estimation of Graph Neural Network Potentials Using Engineered Latent Space Distances
- Title（参考訳）: エンジニア付きラテント空間距離を用いたグラフニューラルネットワークポテンシャルの不確かさ推定の改善
- Authors: Joseph Musielewicz, Janice Lan, Matt Uyttendaele, John R. Kitchin,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.9286144773392733
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have been shown to be astonishingly capable models for molecular property prediction, particularly as surrogates for expensive density functional theory calculations of relaxed energy for novel material discovery. However, one limitation of GNNs in this context is the lack of useful uncertainty prediction methods, as this is critical to the material discovery pipeline. In this work, we show that uncertainty quantification for relaxed energy calculations is more complex than uncertainty quantification for other kinds of molecular property prediction, due to the effect that structure optimizations have on the error distribution. We propose that distribution-free techniques are more useful tools for assessing calibration, recalibrating, and developing uncertainty prediction methods for GNNs performing relaxed energy calculations. We also develop a relaxed energy task for evaluating uncertainty methods for equivariant GNNs, based on distribution-free recalibration and using the Open Catalyst Project dataset. We benchmark a set of popular uncertainty prediction methods on this task, and show that latent distance methods, with our novel improvements, are the most well-calibrated and economical approach for relaxed energy calculations. Finally, we demonstrate that our latent space distance method produces results which align with our expectations on a clustering example, and on specific equation of state and adsorbate coverage examples from outside the training dataset.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、特に新しい物質発見のための緩和エネルギーの高価な密度汎関数理論計算のためのサロゲートとして、分子特性予測のための驚くほど有能なモデルであることが示されている。
しかし、この文脈におけるGNNの制限の1つは、物質発見パイプラインにとって重要であるため、有用な不確実性予測手法が欠如していることである。
本研究では、構造最適化が誤差分布に与える影響から、緩和エネルギー計算の不確実性定量化は他の分子特性予測の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。
また,分散のない再校正とOpen Catalyst Projectデータセットを用いた同変GNNの不確実性評価のための緩和エネルギータスクも開発した。
我々は,この課題に対する一般的な不確実性予測手法のセットをベンチマークし,新しい改良とともに,遅延距離法が緩和エネルギー計算における最もよく校正された経済的な手法であることを示す。
最後に、我々の潜在空間距離法は、クラスタリングの例、および特定の状態方程式、およびトレーニングデータセットの外部からのカバレッジ例に基づいて、我々の期待に沿う結果を生成することを実証する。
関連論文リスト
- Bayesian neural networks for predicting uncertainty in full-field material response [0.0]
本研究では,ストレス場予測と不確実性定量化のためのMLサロゲートフレームワークを提案する。
初期マイクロ構造から応力場へのデータ駆動型イメージ・ツー・イメージマッピングを実現するために,ベイズアンU-netアーキテクチャを改良した。
その結果,提案手法はFAA法と比較して高精度に予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-21T02:43:25Z) - Error estimation for physics-informed neural networks with implicit
Runge-Kutta methods [0.0]
本研究では,NNの予測を高次暗黙的ルンゲ・クッタ(IRK)法で用いることを提案する。
方程式の暗黙の系における残差は、NNの予測誤差と関係し得るので、軌道に沿ったいくつかの点で誤差推定を行うことができる。
この誤差推定は,NNの予測誤差と非常に相関し,IRK法の順序を増大させることで,この推定精度が向上することが判明した。
論文 参考訳（メタデータ） (2024-01-10T15:18:56Z) - 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) - Clarifying Trust of Materials Property Predictions using Neural Networks
with Distribution-Specific Uncertainty Quantification [16.36620228609086]
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。
論文 参考訳（メタデータ） (2023-02-06T07:03:02Z) - Fast Exploration of the Impact of Precision Reduction on Spiking Neural
Networks [63.614519238823206]
ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。
我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
論文 参考訳（メタデータ） (2022-11-22T15:08:05Z) - 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) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
量子物理学の摂動理論を用いてモーメント分解問題を定式化する。
我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
論文 参考訳（メタデータ） (2021-09-22T17:55:09Z) - Learnable Uncertainty under Laplace Approximations [65.24701908364383]
我々は、予測そのものに分離された方法で不確実性を明示的に「訓練」するために形式主義を発展させる。
これらのユニットは不確実性を認識した目標によってトレーニング可能であり、標準的なラプラス近似の性能を向上させることができる。
論文 参考訳（メタデータ） (2020-10-06T13:43:33Z) - 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) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。