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。

该文综述机器学习原子间势的进展，涵盖NequIP（E(3)等变网络提升数据效率）、s-NNP（样条与神经网络结合）、PhysNet（预测能量、力与偶极矩），以及不确定性量化、贝叶斯神经网络预测行星不稳定性、SNN监督学习等研究。

该文综述机器学习原子间势的发展，涵盖原子团簇展开（ACE）、NequIP、TensorNet、EANN等方法，强调等变性、置换不变性与计算效率。研究通过统一数学框架、自动指纹选择、集成学习等策略，提升对晶体材料、声子传输及复杂势能面的建模精度，并探讨优化与参数估计等挑战。