反应机器学习势能面的异常检测
内容提要
该文综述机器学习原子间势的不确定性量化，比较集成、深度证据回归、高斯混合等方法，指出单一确定性模型尚难超越集成，并提出高斯过程局部神经核、不确定性引导数据生成、能量与力关联噪声模型，强调校准与评估标准的重要性。
延伸解读
单一模型与集成方法的权衡
文章指出，在机器学习原子间势的不确定性量化中，成本有效的单一确定性模型尚不能始终匹配或胜过集成方法。这意味着，尽管单一模型在计算效率上具有优势，但在可靠性上可能不如集成方法。读者在选择方法时，需权衡计算成本与不确定性估计的准确性。
能量与力不确定性的关联建模
传统方法通常假设能量预测的噪声为白噪声，导致能量不确定性无法自然转化为力的不确定性。文章提出通过空间相关噪声过程将能量和力的随机不确定性相互关联，并在非平衡分子数据集上验证了该方法。这为需要同时评估能量和力不确定性的场景提供了更一致的框架。
不确定性引导的数据生成策略
文章介绍了一种利用不确定性作为集体变量来引导数据生成的方法，重点关注模型预测最不确定的配置空间区域。在丙氨酰二肽基准系统上，该方法被证明能有效克服能量壁垒并探索未知能量最小值。这提示读者，主动学习策略可以更高效地构建代表性数据集。
校准与评估标准的重要性
文章强调，不确定性估计的质量不仅取决于方法本身，还依赖于校准和评估标准。通过定量指标和校准性检测，可以更全面地评估模型的不确定性估计。读者应注意，不同评估标准可能揭示方法的不同优缺点，因此在实际应用中需结合具体任务选择合适的评估体系。
Q&A
机器学习原子间势的不确定性量化有哪些主要方法？
文章提到的方法包括平均-方差估计、深度证据回归、高斯混合模型以及基于集成的方法。
单一确定性模型在不确定性量化上能超越集成方法吗？
研究表明，成本有效的单一确定性模型尚不能始终匹配或胜过集成方法。
如何利用不确定性来指导机器学习势的数据生成？
该方法利用不确定性作为集体变量，引导获取与化学相关的数据点，重点关注模型预测最不确定的配置空间区域，并在丙氨酰二肽基准系统上验证了其克服能量壁垒和探索未知能量最小值的有效性。
在机器学习势中，如何将能量的不确定性传递到力？
文章提出了一种机器学习潜在能量模型，其中能量和力的随机不确定性通过空间相关噪声过程相互关联，从而将能量的不确定性自然转化为力的不确定性。
评估不确定性量化质量有哪些标准或方法？
文章介绍了利用机器学习中的数字度量指标、模型准确性及校准性检测等方法，通过各种性能指标来评估模型的质量。
不同不确定性估计方法在GCNNs中的表现如何？
在QM9数据集上的比较表明，集成和自举法始终优于MC-Dropout方法，不同方法在不同情境中各有优缺点。
