深度集成与委员会在神经网络力场中的不确定性估计：比较和应用于主动学习
摘要：用于预测计算的机器学习力场中，可靠的不确定性估计器是关键因素。重要考虑因素包括与误差的相关性、训练和推理期间的开销以及系统化改进力场的高效工作流。然而，在神经网络力场的情况下，由于其容易实现，通常只考虑简单的委员会方法。在这里，我们提出了基于多头神经网络和异方差损失的深集成设计的泛化方法，可以高效处理能量和力的不确定性。我们使用离子液体和钙钛矿表面的数据比较基于深集成、委员会和自举集成模型的不确定性度量标准。我们展示了一种对抗性主动学习方法，以有效地逐步改进力场。这种主动学习工作流得以实现，得益于残差学习和非线性学习优化器启用的超快速训练。
作者：Jes''us Carrete, Hadri''an Montes-Campos, Ralf Wanzenb"ock, Esther Heid and Georg K. H. Madsen
论文ID：2302.08805
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2023-06-07