Dec, 2019

比较材料属性预测的不确定性量化方法

PDF
TL;DR本文介绍了一种用于判断计算化学中基于代理模型的不确定性估计质量的方法，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，通过各种性能指标来评估模型的质量，及一个使用卷积神经网络和高斯过程回归器的模型对吸附能的预测和不确定性的估计得到了最好的表现。
data scienceinformatics toolsmaterials screeningsurrogate modelsuncertainty estimates
发现论文，激发创造
  • 人工智能预测材料性质的不确定性量化方法的比较

    机器学习在材料性能预测中是一个常用工具，本文研究了三种易于实施的方法来确定预测的不确定性，并比较了其在十种材料性质上的应用。

    Oct, 2023

  • 使用神经网络进行分子性质预测的不确定性量化

    文章通过对 5 个基准数据集的系统评估，研究不同的不确定性量化方法在回归任务中的性能表现，发现没有一种方法完全优于其他方法，也没有一种特别可靠的错误排名。作者建议在已有的技术中进行选择。

    May, 2020

  • 利用消息传递神经网络集合进行分子属性预测的校准不确定性

    本文提出了一种通过考虑统一的不确定性来源并在新数据上重新校准预测分布的信息传递神经网络，能够使神经网络准确预测分子的形成能，并且提供可靠的不确定性估计。

    Jul, 2021

  • 使用贝叶斯神经网络模型对分子性质预测的不确定性量化

    本研究采用贝叶斯神经网络在分子性质预测中量化预测的不确定性，证明不确定性量化的必要性，从而提高分子应用的可靠性。

    Nov, 2018

  • 基于 DNN 的分子性质预测的可扩展不确定性估计方法评估

    本研究旨在定量比较 GCNNs 中不确定性估计的可扩展技术，介绍了一组定量标准来捕捉不同方面的不确定性，并使用这些标准在 QM9 数据集上理论和实验比较了 MC-Dropout、deep ensembles 和 bootstrapping 这些不确定估计方法，结果表明合奏和自举法始终优于 MC-Dropout 方法，在不同的具体情境中具有不同的优点和缺点，并突出了来自不同领域的不确定性所带来的挑战。

    Oct, 2019

  • 基于贝叶斯神经网络的多变量回归材料性质预测的不确定性量化

    使用物理知识指导的贝叶斯神经网络（BNNs）进行材料预测，可实现准确的失效寿命预测和不确定性估计，提供决策依据。

    Nov, 2023

  • 预测全场材料响应中的不确定性的贝叶斯神经网络

    基于机器学习的应力场预测和不确定性量化方法，以及对多样材料微观结构的系统比较和推断算法的不确定性估计。

    Jun, 2024

  • 针对稀缺数据下核反应堆设计中材料性能的鲁棒预测 -- 研究材料蠕变破裂性能

    基于元学习的不确定性和先验知识导向方法，针对核反应堆设计中材料性能的可信预测问题，在数据稀缺情况下，通过产生预测函数的分布来考虑不确定性，取得了比现有经验方法更好的断裂寿命预测结果。该学习方法可用于解决核工业中数据稀缺问题，提高核工业的人工智能分析水平并提供可信的工具。

    May, 2024

  • 机器学习中的不确定性量化 - 工程设计与健康预测教程

    本篇研究论文重点介绍了机器学习模型中的不确定性量化方法，特别关注神经网络以及在工程设计和医疗领域的应用。通过介绍多种不确定性量化方法和计量标准，本篇论文旨在帮助提高机器学习模型的安全性和可靠性，同时提供两个具体案例：锂离子电池寿命预测和涡轮发动机剩余使用寿命预测。

    May, 2023

  • 面向天然气工业的不确定性量化协议的发展

    开发了一种评估机器学习和机械模拟模型预测不确定性的协议，该协议将提供一个不确定性量化工作流程，用于确定感兴趣的计算数量的可信界限，并评估模型的充分性。测试了该协议在燃气分销行业相关案例中的应用，并提出了推广不确定性量化的路径。

    Aug, 2023