論文の概要: Multivariate conformal uncertainty propagation in multitask atomistic simulation: Successes and pitfalls

• arxiv url: http://arxiv.org/abs/2609.31384v1
• Date: Fri, 25 Sep 2026 15:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.454176
• Title: Multivariate conformal uncertainty propagation in multitask atomistic simulation: Successes and pitfalls
• Title（参考訳）: マルチタスク原子論シミュレーションにおける多変量共形不確実性伝播:成功と落とし穴
• Abstract要約: 本稿では,多変量共形法の最初の化学特性探査について述べる。 コンフォメーション手順に相関予測を組み込むことの利点を強調した。 本研究は, 近似計算プロトコルと共形保証の相互運用に関する議論から締めくくった。
• 参考スコア（独自算出の注目度）: 0.11666234644810891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has become the standard tool for the design of interatomic potentials which balance efficiency and accuracy, but uncertainty quantification remains an open problem. Multiscale simulations introduce an additional challenge: robust uncertainty quantification across scales. Even within one scale, computations are often multistage, producing a sequence of target quantities, each dependent on the previous, and each with some uncertainty. Conformal methods have emerged as a model agnostic framework for recalibrating surrogate predictions to produce sets which contain the truth at a user-specified rate. For multistage workflows, we require uncertainty calibration for multiple chemical properties and atomistic configurations, and we want to propagate uncertainty sets to downstream quantities of interest. Such propagation should capture the error cancellations which occur in many downstream targets in materials science; for instance, an approximate energy difference is often more accurate than individual energy predictions. We present the first exploration of multivariate conformal methods for chemical properties, including Bonferroni-corrected hyperrectangles, hyperellipsoidal sets based on the Mahalanobis distance, and custom loss functions within conformal risk control. Calibration is applied directly to predicted energies, atomic forces, and virial stresses, then propagated to elastic constants and vacancy formation energies employing a variety of commonly considered approximate protocols in materials modeling. We highlight the benefits of building correlation predictions into the conformal procedure, making it possible to build sets which capture near symmetries and error cancellation. We conclude with a discussion of the interplay of the employed approximate computational protocol and conformal guarantees.
• Abstract（参考訳）: 機械学習は効率と精度のバランスをとる原子間ポテンシャルの設計の標準ツールとなっているが、不確実性定量化は未解決の問題のままである。 マルチスケールシミュレーションは、スケール全体にわたる堅牢な不確実性定量化という、新たな課題をもたらす。 1つのスケール内でも、計算は多段階であり、それぞれが前のスケールに依存し、それぞれが不確実なターゲット量のシーケンスを生成する。 コンフォーマルな手法は、ユーザの特定率で真理を含む集合を生成するために代理予測を再計算するモデルに依存しないフレームワークとして登場した。 多段階のワークフローでは、複数の化学特性や原子構造に対する不確実性校正が必要であり、不確実性集合を下流の関心量に伝播させたい。 このような伝播は、材料科学において下流の多くのターゲットで発生する誤差のキャンセルを捉えるべきであり、例えば、近似エネルギー差は個々のエネルギー予測よりも精度が高い。 本稿では,Bonferroni-corrected hyperrectangles,Mahalanobis 距離に基づく超楕円体集合,共形リスク制御におけるカスタム損失関数など,化学特性に対する多変量共形法を初めて検討する。 キャリブレーションは、予測エネルギー、原子力、およびウイルスストレスに直接適用され、その後、材料モデリングにおける様々な一般的な近似プロトコルを用いて、弾性定数や空孔形成エネルギーに伝播する。 共形手順に相関予測を組み込むことの利点を強調し、近距離対称性とエラーキャンセルをキャプチャする集合を構築できるようにする。 本研究は, 近似計算プロトコルと共形保証の相互運用に関する議論から締めくくった。

関連論文リスト

• 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)
• Another Fit Bites the Dust: Conformal Prediction as a Calibration Standard for Machine Learning in High-Energy Physics [0.0]
  等角予測は任意の予測モデルを校正するための分布自由フレームワークを提供する。 回帰,二分分類,多クラス分類,異常検出,生成モデルなどに適用可能であることを示す。 我々は、コライダー物理における機械学習パイプラインの標準コンポーネントとして、共形校正を採用するべきであると論じる。
  論文  参考訳（メタデータ） (2025-12-18T20:31:25Z)
• Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification [0.0]
  我々はモンテカルロの投棄を統合し、高速で微分可能な線量予測を提供するニューラルネットワークサロゲートを開発した。 この手法は不確実性情報を保持しつつ,MC上での大幅な高速化を実現する。 プロトン療法におけるロバストな計画、適応的計画、不確実性を考慮した最適化への統合に適している。
  論文  参考訳（メタデータ） (2025-09-16T19:54:49Z)
• Simple Yet Effective: An Information-Theoretic Approach to Multi-LLM Uncertainty Quantification [9.397157329808254]
  MUSEは、大規模言語モデルのよく校正されたサブセットを特定し、集約するための単純な情報理論手法である。 二分予測タスクの実験では、単一モデルとナイーブアンサンブルベースラインと比較してキャリブレーションと予測性能が改善された。
  論文  参考訳（メタデータ） (2025-07-09T19:13:25Z)
• Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction [95.75771195913046]
  本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。 関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。 2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
  論文  参考訳（メタデータ） (2024-02-02T23:43:28Z)
• Graph Neural Network Interatomic Potential Ensembles with Calibrated Aleatoric and Epistemic Uncertainty on Energy and Forces [9.378581265532006]
  本稿では,エネルギーと力の正確な予測を行うために,グラフニューラルネットワークアンサンブルモデルのトレーニングと再構成のための完全なフレームワークを提案する。 提案手法は, てんかんとアラート的不確実性の両方を考慮し, 全不確実性はホック後に再検討する。 予測性能と不確実性校正の詳細な解析を行う。
  論文  参考訳（メタデータ） (2023-05-10T13:03:06Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)

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。