基于等变贝叶斯神经网络的高精度不确定性感知原子间力建模

Apr, 2023

基于等变贝叶斯神经网络的高精度不确定性感知原子间力建模

High Accuracy Uncertainty-Aware Interatomic Force Modeling with Equivariant Bayesian Neural Networks

Tim Rensmeyer, Benjamin Craig, Denis Kramer, Oliver Niggemann

TL;DR通过引入新的蒙特卡罗马尔可夫链抽样算法以及新的基于 NequIP 的随机神经网络模型，本文绕过了现有的采样方法问题，实现了在揭示原子间力作用的学习中，准确性最高及良好的不确定性预估。

Abstract

Even though bayesian neural networks offer a promising framework for modeling uncertainty, active learning and incorporating prior physical knowledge, few applications of them can be found in the context of interatomic

bayesian neural networks monte carlo markov chain sampling algorithm interatomic force modeling stochastic neural network model nequip architecture

发现论文，激发创造

具有校准的 Aleatoric 和 Epistemic 不确定性的图神经网络原子间势能集合在能量和力上的应用

通过训练和重新校准图神经网络集合模型，预测能量和力量可以生成准确的预测和校准的不确定性估计，这是首个在机器学习神经网络中考虑了获得能量和力量上的校准的认知和偶然性不确定性预测的完整框架。

May, 2023

E (3) 等变原子中心势在设计空间中的研究

本文介绍了一个将 Atomic Cluster Expansion (ACE) 和 Neural Equivariant Interatomic Potentials (NequIP) 统一起来的数学框架，以及通过 NequIP 的 ablation study 对设计选项进行探究的实验，并提出了一个简化版本 BOTNet。

May, 2022

用深度自回归模型高效变分模拟多体量子系统

使用一种新的神经网络架构代替马尔科夫链蒙特卡洛（MCMC）采样方法来支持高效和精确的量子状态预测，这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。

Feb, 2019

E (3) 等变图神经网络用于高效且准确的原子间势能

这项工作提出了神经等变分子间势 (NequIP), 一种用于学习分子动力学模拟的从自由计算中学习分子间势的 E (3) 等变神经网络方法。NequIP 通过几何张量相互作用利用 E (3)- 等变卷积，此方法在数据效率方面具有非凡的性能，使得准确利用高损耗的量子化学理论构建准确潜力成为可能，并使得长时间尺度上的高保障分子动力学模拟成为可能。

Jan, 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

深度学习力场中的能量和力的相干不确定性

在机器学习能量势下，力被常用作能量函数对原子位置的负导数。为了量化预测能量的随机不确定性，一种广泛使用的建模方法涉及对每个能量值预测均值和方差。然而，这个模型在通常的白噪声假设下不可微分，因此能量的不确定性并不自然转化为力的不确定性。本研究提出了一个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。我们在两个非平衡分子数据集上展示了我们的方法，通过一个经变换的消息传递神经网络潜能对能量和力进行训练。此外，我们还展示了如何在这种环境下基于深度集合模型的贝叶斯解释来获取认知不确定性。

Dec, 2023

神经网络势能单模型的不确定性量化表现未必比模型集合更好

本研究考察了用于提高神经网络相互作用势模型的稳健性的多个不确定性量化方案，包括平均 - 方差估计，深度证据回归和高斯混合模型，并与现有基于集成的方法进行比较。研究表明，对于不确定性量化，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。

May, 2023

采用深度神经网络求解多电子薛定谔方程

本文提出了新颖的深度学习架构 —— 费米神经网络作为用于处理许多电子系统的有效波函数仿真，该方法可以在各种原子和小分子上获得比其他变分量子蒙特卡罗 Ansätze 更高的精度，优于其他从头开始的量子化学方法，可以直接优化之前难以处理的许多电子系统的波函数。

Sep, 2019

EGraFFBench：用于原子模拟的等变图神经网络力场的评估

本研究旨在通过对 6 个 EGraFF 算法进行评估和分析，以及提出新的基准数据集、指标和挑战任务，系统地评估机器学习力场在原子模拟中的能力和限制，并指出该领域存在的开放性研究挑战。

Oct, 2023

自回归神经网络的无偏蒙特卡罗聚类更新

该研究提出了一种使用物理对称性和变尺度聚类更新以消除偏差且方差较低的方法来进行高维概率分布的无偏抽样，测试了其在经典自旋系统的一阶和二阶相变中的可行性。

May, 2021