論文の概要: Does System Size Matter in Uncertainty Quantification for Machine Learning Interatomic Potentials?

• arxiv url: http://arxiv.org/abs/2610.40126v1
• Date: Thu, 29 Oct 2026 14:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.515629
• Title: Does System Size Matter in Uncertainty Quantification for Machine Learning Interatomic Potentials?
• Title（参考訳）: 機械学習の原子間ポテンシャルに対する不確実性定量化におけるシステムサイズは重要か?
• Abstract要約: 機械学習の原子間ポテンシャル(MLIP)は、一般的に不確実性推定を使用して、オフ・オブ・ディストリビューション(OOD)設定をフラグする。 重要な疑問は、結果として生じる構造レベルの不確実性スコアが、異なるシステムサイズで比較できるかどうかである。
• 参考スコア（独自算出の注目度）: 1.9350202797850053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learning interatomic potentials (MLIPs) commonly use uncertainty estimates to flag out-of-distribution (OOD) configurations and select structures for active learning. A key question is whether the resulting structure-level uncertainty scores remain comparable across different system sizes. A common practice is to aggregate per-atom uncertainties by their mean or maximum and compare the resulting score against a fixed threshold, implicitly assuming such comparability. We test this assumption across several in-distribution (ID)/OOD pairs by characterizing both aggregations as a function of atom count. The two aggregations exhibit distinct size dependencies. Mean aggregation remains size-independent for homogeneous systems but loses sensitivity to defects in large cells. In contrast, maximum aggregation grows with system size for ID systems while remaining approximately flat for defect-containing systems, narrowing the ID-OOD gap in a manner consistent with extreme-value statistics. Although highly uncertain atoms in large structures may indicate novel local environments, retraining on these structures yields little improvement, in contrast to retraining on OOD structures constructed to lie outside the training distribution. Our results reveal a practical limitation of size-unaware uncertainty criteria and motivate size-aware calibration for more reliable OOD detection in large-scale atomistic simulations.
• Abstract（参考訳）: 機械学習の原子間ポテンシャル(MLIP)は、一般的に不確実性推定を使用して、オフ・オブ・ディストリビューション(OOD)構成とアクティブラーニングのための選択構造をフラグする。 重要な疑問は、結果として生じる構造レベルの不確実性スコアが、異なるシステムサイズで比較できるかどうかである。 一般的には、原子単位の不確実性を平均または最大で集計し、その結果のスコアを一定の閾値と比較し、そのような可視性を暗黙的に仮定する。 両アグリゲーションを原子数関数として特徴付けることにより,この仮定を複数の分布内(ID)/OOD対で検証する。 2つのアグリゲーションは、異なる大きさの依存関係を示す。 平均アグリゲーションは、均一な系ではサイズに依存しないが、大きな細胞の欠陥に対する感受性を失う。 対照的に、最大アグリゲーションは、欠陥を含むシステムではほぼ平坦でありながら、ID-OODギャップを極値統計と整合的に狭めながら、IDシステムのシステムサイズとともに増加する。 大きな構造の非常に不確実な原子は、新しい局所環境を示す可能性があるが、これらの構造に対する再訓練は、トレーニング分布の外側に構築されたOOD構造に対する再訓練とは対照的に、ほとんど改善されない。 以上の結果から, 大規模原子構造シミュレーションにおいて, サイズ不確実性基準の実用的限界と, より信頼性の高いOOD検出のためのサイズ不確実性校正の動機が明らかとなった。

関連論文リスト

• Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder [0.4893345190925178]
  本研究は,構造的健康モニタリングのための物理インフォームドガウスコーパス変分オートエンコーダを提案する。 我々は、潜伏変数の従来の独立性仮定をガウスコプラに置き換える。 その結果、PI-VAEは真の後部分布を正確に回復し、77.2%のカバレッジを達成した。
  論文  参考訳（メタデータ） (2026-07-06T13:02:36Z)
• Knowing when to trust machine-learned interatomic potentials [1.5586922787941984]
  PROBEは予測毎の信頼確率を生成し、基礎となるモデルを変更することなく実際の誤差を追跡できることを示す。 PROBEはポストホックでアーキテクチャに依存しず、任意のマシンが学習した原子間ポテンシャルに直接デプロイ可能である。
  論文  参考訳（メタデータ） (2026-05-01T13:21:56Z)
• Rethinking Uncertainty Quantification and Entanglement in Image Segmentation [8.952491535016444]
  不確実性(UQ)は、医療画像セグメンテーションのような安全上重要な応用において重要である。 AU(確率的UNet、拡散など)やEU(アンサンブル、MCDropoutなど)のモデリングには多くの方法があるが、どのように相互作用するかは定かではない。 本稿では、幅広いAU-EUモデルの組み合わせを網羅した総合的な実証研究を行い、不確実性の絡み合いを定量化するための指標を提案し、下流UQタスクの両方を評価する。
  論文  参考訳（メタデータ） (2026-03-19T11:43:26Z)
• 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)
• Towards Size-invariant Salient Object Detection: A Generic Evaluation and Optimization Approach [118.75896764188424]
  本稿では,既存の広範に使用されているSalient Object Detectionメトリクスの固有サイズ感度を明らかにするために,新しい視点を示す。 この課題に対処するため、汎用的なサイズ不変評価(SIEva)フレームワークが提案されている。 さらに、サイズ不変の原理に固執する専用最適化フレームワーク(SIOpt)を開発し、幅広いサイズにわたる有能な物体の検出を大幅に強化する。
  論文  参考訳（メタデータ） (2025-09-19T04:12:14Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• High-dimensional separability for one- and few-shot learning [58.8599521537]
  この作業は、実用的な質問、人工知能(AI)エラーの修正によって進められている。 特殊な外部デバイスである修正器が開発されている。従来のAIシステムを変更することなく、迅速かつ非イテレーティブなシステム修正を提供する必要がある。 AIシステムの新しいマルチコレクタが提示され、深層畳み込みニューラルネットワークによってエラーを予測し、新しいクラスのオブジェクトを学習する例が紹介される。
  論文  参考訳（メタデータ） (2021-06-28T14:58:14Z)
• General stochastic separation theorems with optimal bounds [68.8204255655161]
  分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。 エラーやエラーのクラスタは、残りのデータから分離することができる。 AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
  論文  参考訳（メタデータ） (2020-10-11T13:12:41Z)
• Uncertainty-Based Out-of-Distribution Classification in Deep Reinforcement Learning [17.10036674236381]
  アウト・オブ・ディストリビューションデータの誤予測は、機械学習システムにおける安全性の危機的状況を引き起こす可能性がある。 我々は不確実性に基づくOOD分類のためのフレームワークUBOODを提案する。 UBOODはアンサンブルに基づく推定器と組み合わせることで,信頼性の高い分類結果が得られることを示す。
  論文  参考訳（メタデータ） (2019-12-31T09:52:49Z)

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。