Fugu-MT 論文翻訳(概要): Bayesian E(3)-Equivariant Interatomic Potential with Iterative Restratification of Many-body Message Passing

論文の概要: Bayesian E(3)-Equivariant Interatomic Potential with Iterative Restratification of Many-body Message Passing

arxiv url: http://arxiv.org/abs/2510.03046v1
Date: Fri, 03 Oct 2025 14:28:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-06 16:35:52.422583
Title: Bayesian E(3)-Equivariant Interatomic Potential with Iterative Restratification of Many-body Message Passing
Title（参考訳）: 多体メッセージパッシングの反復的再層化を伴うベイズE(3)同変原子間ポテンシャル
Authors: Soohaeng Yoo Willow, Tae Hyeon Park, Gi Beom Sim, Sung Wook Moon, Seung Kyu Min, D. ChangMo Yang, Hyun Woo Kim, Juho Lee, Chang Woo Myung,
Abstract要約: 現在の株式は不確実性に悩まされており、活発な学習、校正、配布外検知の信頼性を制限している。我々は,多体メッセージパッシングの反復再帰化を伴うベイズE(3)変種を開発することで,これらの課題に対処する。本手法では, エネルギー・原子間力の両面における不確実性を明確に証明する, NLL$_textJEF$の損失関数を導入する。 NLL$_textJEF$は、エネルギーと力の定量化による効率的な能動学習を促進することを実証する。
参考スコア（独自算出の注目度）: 11.101638985590002
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning potentials (MLPs) have become essential for large-scale atomistic simulations, enabling ab initio-level accuracy with computational efficiency. However, current MLPs struggle with uncertainty quantification, limiting their reliability for active learning, calibration, and out-of-distribution (OOD) detection. We address these challenges by developing Bayesian E(3) equivariant MLPs with iterative restratification of many-body message passing. Our approach introduces the joint energy-force negative log-likelihood (NLL$_\text{JEF}$) loss function, which explicitly models uncertainty in both energies and interatomic forces, yielding superior accuracy compared to conventional NLL losses. We systematically benchmark multiple Bayesian approaches, including deep ensembles with mean-variance estimation, stochastic weight averaging Gaussian, improved variational online Newton, and laplace approximation by evaluating their performance on uncertainty prediction, OOD detection, calibration, and active learning tasks. We further demonstrate that NLL$_\text{JEF}$ facilitates efficient active learning by quantifying energy and force uncertainties. Using Bayesian active learning by disagreement (BALD), our framework outperforms random sampling and energy-uncertainty-based sampling. Our results demonstrate that Bayesian MLPs achieve competitive accuracy with state-of-the-art models while enabling uncertainty-guided active learning, OOD detection, and energy/forces calibration. This work establishes Bayesian equivariant neural networks as a powerful framework for developing uncertainty-aware MLPs for atomistic simulations at scale.
Abstract（参考訳）: 機械学習ポテンシャル(MLP)は、大規模原子論シミュレーションに欠かせないものであり、計算効率の低い初期レベルの精度を実現している。しかし、現在のMLPは不確実な定量化に苦慮しており、アクティブラーニング、校正、アウト・オブ・ディストリビューション(OOD)検出の信頼性を制限している。我々は,多体メッセージパッシングの反復再帰化を伴うベイズE(3)同変MPPを開発することで,これらの課題に対処する。提案手法では, エネルギーと原子間力の両面での不確かさを明示的にモデル化し, 従来のNLLの損失よりも精度が良く, 結合エネルギー力負の対数損失関数(NLL$_\text{JEF}$)を導入する。我々は,平均分散推定を用いた深層アンサンブル,確率的ウェイト平均化ガウシアン,変分オンラインニュートンの改良,不確実性予測,OOD検出,校正,アクティブ学習タスクの性能評価によるラプラス近似など,複数のベイズ的アプローチを体系的にベンチマークした。さらに、NLL$_\text{JEF}$は、エネルギーを定量化し、不確実性を強制することによって効率的な能動的学習を促進することを実証する。不一致によるベイズ的アクティブラーニング(BALD)を用いて、ランダムサンプリングとエネルギー不確実性に基づくサンプリングよりも優れた性能を示す。以上の結果から,ベイジアンMLPは最先端モデルと競合する精度を実現し,不確実性誘導型能動学習,OOD検出,エネルギー/力校正を実現している。この研究は、大規模な原子論シミュレーションのための不確実性を考慮したMLPを開発するための強力なフレームワークとしてベイズ的同変ニューラルネットワークを確立する。

関連論文リスト

BLIPs: Bayesian Learned Interatomic Potentials [47.73617239750485]
機械学習原子間ポテンシャル(MLIP)は、シミュレーションベースの化学の中心的なツールになりつつある。 MLIPは、アクティブな学習パイプラインをガイドする基本となる、構築による不確実性推定を提供していない。 BLIPはスケーラブルでアーキテクチャに依存しない、トレーニングや微調整のためのベイズ的フレームワークである。
論文参考訳（メタデータ） (2025-08-19T17:28:14Z)
Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
論文参考訳（メタデータ） (2025-05-28T10:23:34Z)
TokUR: Token-Level Uncertainty Estimation for Large Language Model Reasoning [27.449948943467163]
token-level Uncertainty Estimation framework for Reasoning (TokUR)を提案する。 TokURは、大規模言語モデルにおいて、数学的推論における応答を自己評価し、自己改善することを可能にする。様々な難易度を持つ数学的推論データセットの実験により、TokURは答えの正しさとモデルロバストネスと強い相関を示すことが示された。
論文参考訳（メタデータ） (2025-05-16T22:47:32Z)
Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [48.15636223774418]
大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
論文参考訳（メタデータ） (2025-03-04T03:16:02Z)
Similarity-Distance-Magnitude Universal Verification [0.0]
本研究では,不確実性を考慮した検証と解釈可能性を考慮したSDMネットワークを本質的特性として構築する。これらの結果を実装したオープンソースソフトウェアを提供する。
論文参考訳（メタデータ） (2025-02-27T15:05:00Z)
PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文参考訳（メタデータ） (2024-09-24T07:57:21Z)
Predictive Uncertainty Quantification for Bird's Eye View Segmentation: A Benchmark and Novel Loss Function [10.193504550494486]
本稿では,Bird's Eye View (BEV)セグメンテーションにおける予測不確実性定量化のためのベンチマークを提案する。本研究は,非分類および非分布画素の検出における定量化不確実性の有効性に焦点をあてる。本研究では,不均衡なデータに特化して設計された新しい損失関数Uncertainty-Focal-Cross-Entropy (UFCE)を提案する。
論文参考訳（メタデータ） (2024-05-31T16:32:46Z)
Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。本稿では,LLMのための不確実性分解フレームワークについて述べる。提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
論文参考訳（メタデータ） (2023-11-15T05:58:35Z)
On Uncertainty Calibration and Selective Generation in Probabilistic Neural Summarization: A Benchmark Study [14.041071717005362]
要約のための最新のディープモデルは、優れたベンチマーク性能を得るが、誤校正された予測の不確実性を生成する傾向にある。これは、低品質の予測に高い信頼性を割り当て、現実世界のアプリケーションにおける信頼性と信頼性を損なうことを意味する。確率的深層学習法は誤校正問題の一般的な解法であるが, 複雑な自己回帰的要約タスクにおける相対的有効性はよく理解されていない。
論文参考訳（メタデータ） (2023-04-17T23:06:28Z)
Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文参考訳（メタデータ） (2021-05-17T08:36:18Z)

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。