arXiv · Machine Learning· Matteo Tolloso, Davide Bacciu, Luigi Bonati·· 10 小时前AI 评分37
多保真训练重塑 MACE 原子模型的不确定性分解
Multi-Fidelity Training Reshapes Uncertainty Decomposition in Atomistic Models
AI 导读
研究人员比较 mean-variance MACE 深度集成模型的高保真从头训练与低保真预训练后微调，发现多保真训练降低预测误差、改善不确定性排序，却未带来校准良好的预测方差。在未见分子系统和高能构型上，校准会恶化，尤其在能量外推时；主要问题出现在高保真优化阶段，模型对留出数据的偶然方差估计过度自信。多保真微调还产生了比高保真从头训练更有效的不确定性采集函数。
来源：arXiv · Machine Learning · arxiv.org