論文の概要: AdaptNTK: Adaptive Uncertainty Quantification and Active Learning for Neural Network Potentials

• arxiv url: http://arxiv.org/abs/2609.00488v1
• Date: Mon, 31 Aug 2026 23:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.16446
• Title: AdaptNTK: Adaptive Uncertainty Quantification and Active Learning for Neural Network Potentials
• Title（参考訳）: AdaptNTK: ニューラルネットワークの可能性に対する適応的不確実性定量化とアクティブラーニング
• Abstract要約: 本稿では,実験的なニューラルネットワークカーネル特徴空間において,不確実性を正規化マハラノビス距離として測定する単一モデルフレームワークAdaptNTKを紹介する。 NTKの機能は取得時に固定されるため、不確実性は取得した構成に依存するが、参照ラベルには依存しない。 保持されたrMD17データでは、AdaptNTKは力の誤差(Spearman 0.68, Pearson 0.71)と最も高い平均相関を達成し、エラー保持における3員のアンサンブルと一致する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning interatomic potentials bridge the gap between quantum chemical precision and classical computational speed, enabling molecular dynamics simulations with first-principles accuracy. Their reliability is often improved through active learning, which iteratively expands the training set by identifying uncertain, out-of-distribution configurations. Existing uncertainty-quantification methods often involve a trade-off between computational cost and reliability, and generally cannot account for redundancy as an acquisition batch is assembled. Here, we introduce AdaptNTK, a single-model framework that measures uncertainty as a regularized Mahalanobis distance in empirical neural tangent kernel (NTK) feature space. With the NTK features fixed during acquisition, the uncertainty depends on the acquired configurations but not their reference labels. This allows the uncertainty to be updated recursively after each selection without retraining, reducing redundancy within an acquisition batch. On held-out rMD17 data, AdaptNTK achieves the highest mean correlations with force errors (Spearman 0.68, Pearson 0.71) and matches a three-member ensemble in error retention. In active learning experiments, AdaptNTK achieves the lowest force errors across rMD17 and Transition-1X, with particularly strong performance on transition-state configurations in Transition-1X. AdaptNTK provides a 2.6-fold speedup per Transition-1X cycle relative to the ensemble, providing efficient single-model uncertainty estimation with sequential updates for data-efficient active learning.
• Abstract（参考訳）: 機械学習の原子間ポテンシャルは、量子化学の精度と古典的な計算速度のギャップを埋め、第一原理の精度で分子動力学シミュレーションを可能にする。 彼らの信頼性は、アクティブラーニングによって改善されることが多く、不確実なアウト・オブ・ディストリビューション構成を特定することで、トレーニングセットを反復的に拡張する。 既存の不確実性定量化手法は、計算コストと信頼性のトレードオフを伴うことが多く、一般的には、取得バッチが組み立てられると冗長性を考慮できない。 本稿では、経験的ニューラルネットワークカーネル(NTK)特徴空間において、不確実性を正規化マハラノビス距離として測定する単一モデルフレームワークであるAdaptNTKを紹介する。 NTKの機能は取得時に固定されるため、不確実性は取得した構成に依存するが、参照ラベルには依存しない。 これにより、各選択後の不確実性を再トレーニングすることなく再帰的に更新することができ、取得バッチ内での冗長性を低減できる。 保持されたrMD17データでは、AdaptNTKは力の誤差(Spearman 0.68, Pearson 0.71)と最も高い平均相関を達成し、エラー保持における3員のアンサンブルと一致する。 アクティブな学習実験では、AdaptNTKはrMD17とTransition-1Xで最小の力誤差を達成する。 AdaptNTKは、アンサンブルに対してトランジション-1Xサイクル当たりの2.6倍のスピードアップを提供し、データ効率のよいアクティブラーニングのための逐次更新を伴う効率的な単一モデル不確実性推定を提供する。

関連論文リスト

• Neural Feature Governance: Extending Atom Prevalence [0.0]
  本稿では,フィードフォワードニューラルネットワークにおけるノードレベルモデル選択のための原理的ベイズ的フレームワークであるNeural Atom Prevalence (NAP)を紹介する。 Napは最先端の構造的疎結合を実現し、MNIST上の元の高密度アーキテクチャの8%まで活性ノードを減少させる。
  論文  参考訳（メタデータ） (2026-07-23T08:50:12Z)
• Unveiling the Entropy Dynamics of Chain-of-Thought Reasoning [81.57028614960576]
  1)信頼性の高い -- 信頼性の高い -- 信頼性の高い領域での回答は高度に正確で安定したものになり、2)高冗長性 -- モデルは正しい回答に達した後ずっと経ってから不必要なトークンを生成する。 これらの特性はより効率的で信頼性の高い推論戦略を解き放つ。
  論文  参考訳（メタデータ） (2026-06-01T10:11:14Z)
• Pretrained Model Representations as Acquisition Signals for Active Learning of MLIPs [4.4406458484306555]
  本稿では,事前学習したMLIPの潜伏空間に,効果的な取得に必要な情報が含まれているかを検討する。 我々は、事前訓練されたMACE電位から直接引き起こされる2つの取得信号を紹介する。 この結果から,事前学習は遅延空間形状とモデル誤差とを一致させ,反応MLIP微調整のための実用的かつ十分な取得信号が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-05-05T16:48:23Z)
• Exact and Asymptotically Complete Robust Verifications of Neural Networks via Quantum Optimization [9.728049285140736]
  本稿では、ディープニューラルネットワークの堅牢な検証のための2つの量子最適化モデルを提案する。 ベンチマークの実験では高い認証精度を示し、量子最適化がロバスト性を保証するための原則的プリミティブとして機能できることが示されている。
  論文  参考訳（メタデータ） (2026-02-28T02:05:02Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  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。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Neuronal Attention Circuit (NAC) for Representation Learning [2.0573301822495553]
  線形一階ODEの解法としてアテンションロジット計算を再構成するCT-Attention機構を導入する。 我々は、不規則な時系列分類、自動運転車の車線維持、産業の予後など、さまざまな領域でNACを実装している。
  論文  参考訳（メタデータ） (2025-12-11T04:49:44Z)
• Randomized Neural Network with Adaptive Forward Regularization for Online Task-free Class Incremental Learning [16.323995111105884]
  本稿では,前向き正則化(-F)を備えたニューラルネットワーク(NN)を提案する。 調整可能な前方正規化(-kF)を用いたアンサンブル深部乱数ベクトル関数型リンクネットワーク(edRVFL)のアルゴリズムを導出する。 EDRVFL-kFは、1パスのクローズドフォームのインクリメンタルアップデートと可変学習率を生成し、過去のリプレイや破滅的な忘れを効果的に回避する。 プラグアンドプレイのedRVFL-kF-Bayesに改良を加え、複数のサブラーナーのすべてのハードkを自己適応的に決定できるようにする。
  論文  参考訳（メタデータ） (2025-10-24T11:50:13Z)
• Parameter-Efficient Fine-Tuning for Continual Learning: A Neural Tangent Kernel Perspective [125.00228936051657]
  本稿では,タスク関連機能を適応的に生成しながら,タスク固有のパラメータ記憶を不要にする新しいフレームワークNTK-CLを紹介する。 最適化可能なパラメータを適切な正規化で微調整することにより、NTK-CLは確立されたPEFT-CLベンチマーク上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-07-24T09:30:04Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)

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。