論文の概要: Towards Out-of-Distribution Uncertainty Quantification for Machine-Learned Interatomic Potentials via Pre-Training

• arxiv url: http://arxiv.org/abs/2610.41801v1
• Date: Fri, 30 Oct 2026 14:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.77064
• Title: Towards Out-of-Distribution Uncertainty Quantification for Machine-Learned Interatomic Potentials via Pre-Training
• Title（参考訳）: プレトレーニングによる機械学習型原子間ポテンシャルのアウト・オブ・ディストリビューション不確かさ定量化に向けて
• Abstract要約: 本研究では,大規模で多様なデータセットに対する不確実性推定器の事前学習を行い,適用性の向上を図る。 各種MLIPの不確かさを定量化するために、大規模材料科学データセット上でいくつかのUQモデルを事前訓練する。 事前学習した不確実性推定器は、複数のデータセットにわたるゼロショット不確実性推定を可能とし、微調整は予測不確実性と予測誤差の正の相関を一貫して得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Informative uncertainty quantification (UQ) is essential for the practical deployment of machine-learned interatomic potentials (MLIPs), as it provides insight into their reliability across chemical space. Although numerous post-hoc uncertainty estimation methods for MLIPs have recently been proposed, most have been trained in low-data regimes, restricting their applicability to narrow domains of interest. Inspired by the emergence of foundational MLIPs, we propose pre-training uncertainty estimators on large, diverse datasets to enable broader applicability. We pre-train several UQ models on large materials science datasets to quantify the uncertainty of different MLIPs, and evaluate their performance on both in-distribution and out-of-domain (OOD) adsorption-energy predictions. We find that pre-trained uncertainty estimators provide viable zero-shot uncertainty estimates across multiple datasets, while fine-tuning consistently yields positive correlations between predicted uncertainty and prediction error, even on the most challenging datasets. These results lay the groundwork for foundational UQ models for MLIPs, ultimately facilitating their deployment in practical settings by providing users with a priori information about model reliability and applicability.
• Abstract（参考訳）: インフォーマティブ不確実性定量化(UQ)は、化学空間にまたがる信頼性に関する洞察を提供するため、機械学習型原子間ポテンシャル(MLIP)の実践的な展開に不可欠である。 MLIPに対する多くのポストホック不確実性推定法が近年提案されているが、そのほとんどは低データ方式で訓練されており、その適用範囲は狭く制限されている。 基礎的MLIPの出現に触発されて,大規模で多様なデータセットに対する事前学習の不確実性推定器を提案する。 各種MLIPの不確かさを定量化するために, 大規模材料科学データセット上でのUQモデルを事前学習し, 分布内およびドメイン外両方の吸着エネルギー予測の性能評価を行った。 事前学習した不確実性推定器は、複数のデータセットにわたるゼロショット不確実性推定を可能とし、微調整は、最も困難なデータセットであっても、予測不確実性と予測誤差の正の相関を一貫して得る。 これらの結果は、MLIPの基本的UQモデルの基盤となり、最終的にモデルの信頼性と適用性に関する優先順位情報を提供することで、実践的な設定での展開を容易にする。

関連論文リスト

• Inverse design of bespoke interatomic potentials via active learning by information-matching [1.00901333118703]
  金属の塑性強度を予測するために情報マッチング(IM)を適用した。 プラスチック強度の計算コストが高いため、我々は、強度と相関する安価な中間QoIをターゲットとした間接IM戦略を採用している。 IM法はトレーニングデータを最小限に抑えた正確なパラメータ制約を可能にし, 中間QoIと塑性強度の双方を正確に予測する。
  論文  参考訳（メタデータ） (2026-06-06T12:58:04Z)
• 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)
• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。