論文の概要: Equivariant Evidential Deep Learning for Interatomic Potentials
- arxiv url: http://arxiv.org/abs/2602.10419v1
- Date: Wed, 11 Feb 2026 02:00:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.377928
- Title: Equivariant Evidential Deep Learning for Interatomic Potentials
- Title（参考訳）: 原子間ポテンシャルに対する等価な証拠深層学習
- Authors: Zhongyao Wang, Taoyong Cui, Jiawen Zou, Shufei Zhang, Bo Yan, Wanli Ouyang, Weimin Tan, Mao Su,
- Abstract要約: 不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
- 参考スコア（独自算出の注目度）: 55.6997213490859
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty quantification (UQ) is critical for assessing the reliability of machine learning interatomic potentials (MLIPs) in molecular dynamics (MD) simulations, identifying extrapolation regimes and enabling uncertainty-aware workflows such as active learning for training dataset construction. Existing UQ approaches for MLIPs are often limited by high computational cost or suboptimal performance. Evidential deep learning (EDL) provides a theoretically grounded single-model alternative that determines both aleatoric and epistemic uncertainty in a single forward pass. However, extending evidential formulations from scalar targets to vector-valued quantities such as atomic forces introduces substantial challenges, particularly in maintaining statistical self-consistency under rotational transformations. To address this, we propose \textit{Equivariant Evidential Deep Learning for Interatomic Potentials} ($\text{e}^2$IP), a backbone-agnostic framework that models atomic forces and their uncertainty jointly by representing uncertainty as a full $3\times3$ symmetric positive definite covariance tensor that transforms equivariantly under rotations. Experiments on diverse molecular benchmarks show that $\text{e}^2$IP provides a stronger accuracy-efficiency-reliability balance than the non-equivariant evidential baseline and the widely used ensemble method. It also achieves better data efficiency through the fully equivariant architecture while retaining single-model inference efficiency.
- Abstract（参考訳）: 不確実性定量化(UQ)は、分子動力学(MD)シミュレーションにおける機械学習原子間ポテンシャル(MLIP)の信頼性の評価、外挿規則の特定、データセット構築のトレーニングのためのアクティブラーニングのような不確実性を考慮したワークフローの実現に重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
Evidential Deep Learning (EDL) は、理論上基礎を成した単一モデルの代替手段を提供する。
しかしながら、スカラーターゲットから原子力のようなベクトル値の量への明らかな定式化の拡張は、特に回転変換の下で統計的自己整合性を維持する上で、重大な課題をもたらす。
この問題に対処するために、原子間ポテンシャルに対する「textit{Equivariant Evidential Deep Learning for Interatomic Potentials}」(『\text{e}^2$IP』)を提案する。
多様な分子ベンチマークの実験により、$\text{e}^2$IP は非等変な明示的ベースラインと広く使われているアンサンブル法よりも精度・効率・信頼性のバランスが強いことが示されている。
また、単一のモデル推論効率を維持しながら、完全同変アーキテクチャによるデータ効率も向上する。
関連論文リスト
- Making Foundation Models Probabilistic via Singular Value Ensembles [56.4174499669573]
ファンデーションモデルは機械学習において支配的なパラダイムとなり、大規模な事前学習を通じて様々なタスクにまたがる顕著なパフォーマンスを実現している。
不確実性を定量化し、独立したモデルのアンサンブルを訓練する標準的なアプローチは、アンサンブルサイズと線形にスケールする禁制的な計算コストを発生させる。
本稿では,単純だが強力なコア仮定に基づいて,パラメータ効率の高い暗黙アンサンブル手法であるSVEを提案する。
本研究では,SVEの不確かさの定量化が,基本モデルのパラメータ数を1%以下に増加させながら,明示的な深層アンサンブルに匹敵することを示す。
論文 参考訳（メタデータ） (2026-01-29T18:07:18Z) - MAB Optimizer for Estimating Math Question Difficulty via Inverse CV without NLP [3.9566483499208633]
本研究では,強化学習に基づくマルチアーメッドバンド(MAB)フレームワークであるEducands(APME)のパッシブ対策のアプローチを紹介する。
変動の逆係数をリスク調整計量として活用することにより、モデルは適応的評価のための説明可能でスケーラブルなメカニズムを提供する。
論文 参考訳（メタデータ） (2025-08-26T13:23:31Z) - Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials [5.955636672018519]
機械学習原子間ポテンシャル(MLIP)は正確な原子モデルを可能にするが、信頼性のある不確実性定量化(UQ)はいまだ解明されていない。
本研究では,原子クラスター拡張フレームワーク内でのアンサンブル学習とD-最適性の2つのUQ戦略について検討する。
論文 参考訳（メタデータ） (2025-08-05T12:52:49Z) - Detecting Entanglement in High-Spin Quantum Systems via a Stacking Ensemble of Machine Learning Models [0.0]
本研究では,量子システムにおけるエンサンブル機械学習モデルの有効性を,量子システムにおけるエンタングルメントを推定するための信頼性とスケーラブルなアプローチとして検討した。
ニューラルネットワーク(NN)、XGBoost(XGB)、エクストラツリー(ET)を統合したアンサンブル回帰器を構築する。
積み重ねメタリアナーを用いたアンサンブルモデルでは,キャットブースト (CB) による頑健な性能を示し,異なる次元と状態タイプ間の負性率を正確に予測する。
論文 参考訳（メタデータ） (2025-07-17T04:34:11Z) - A Materials Foundation Model via Hybrid Invariant-Equivariant Architectures [53.273077346444886]
機械学習の原子間ポテンシャル(MLIP)は材料のエネルギー、力、ストレスを予測する。
MLIPにおける重要な設計選択は、不変アーキテクチャと同変アーキテクチャのトレードオフである。
HIENetは、不変層と同変層の両方を統合した、ハイブリッド不変・同変物質間ポテンシャルモデルである。
論文 参考訳（メタデータ） (2025-02-25T18:01:05Z) - Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
リッジ回帰に関する最近の結果について統一的な視点を提示する。
我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。
我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials [25.091146216183144]
アクティブラーニングは、偏りや偏りのない分子動力学を用いて候補プールを生成する。
既存のバイアスやバイアスのないMDシミュレーション手法は、稀な事象や外挿領域を見逃しがちである。
この研究は、MLIPのエネルギー不確実性に偏ったMDが同時に外挿領域と稀な事象を捉えることを示した。
論文 参考訳（メタデータ） (2023-12-03T14:39:14Z) - 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) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z)
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。