预训练模型提升原子间势的分布外不确定性量化

Stefan P. Schmid、Tobias Setzer 和 Maximilian Scheurer 提出并评估了一种基于大规模材料科学数据集预训练的不确定性估计方法，用于量化机器学习原子间势（MLIPs）在不同化学空间中的分布外预测不确定性。实验显示，预训练模型无需针对目标数据集进行专门训练，即可提供跨多个数据集的零样本不确定性估计。 研究还发现，在目标数据集上进行微调能够持续改善预测不确定性与实际预测误差之间的正相关性，即模型越不确定的预测通常越容易出现较大误差；这一改善在最具挑战性的数据集中同样成立。该方法旨在帮助识别模型超出训练数据适用范围时的不可靠预测。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。