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

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

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。

Apr, 2023

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

在具有相互依赖数据的领域中，如图形数据，量化图神经网络 (GNN) 的认知不确定性是具有挑战性的，因为不确定性可以在不同的结构尺度上产生。我们提出了 GEBM，一种能量模型（EBM），通过聚合来自图扩散引起的不同结构级别上的能量，提供高质量的不确定性估计。与基于逻辑的 EBM 不同，我们通过正则化能量函数来在数据空间中引入可积密度。我们引入了我们的 EBM 的证据解释，极大地提高了 GNN 的预测鲁棒性。我们的框架是一个简单有效的事后方法，适用于任何对各种分布转移敏感的预训练 GNN。在 7 种异常类型中，我们在 6 种上实现了最佳的内部分布和外部分布数据分离，并在所有数据集上具有最佳的平均排名。

Jun, 2024

我们提出了 G-DeltaUQ，这是一个新的训练框架，旨在改进图神经网络的内在不确定性估计，通过独特的图锚定策略适应图数据，从而在节点和图分类中实现更好的标定准确度。

Jan, 2024

利用等变图神经网络的机器学习势能可以准确地模拟分子的能量和自由能态势，研究着重于探讨机器学习势能在考虑了分子构型的能量和多样性的情况下，准确预测自由能和转变态的能力。在对丁烷和丙二酸酰甘氨酰二肽进行 Metadynamics 模拟的基础上，我们检查了训练数据中集体变量（CVs）的分布对机器学习势能在确定系统的自由能态势上的准确性的影响。结果发现，对于丁烷，关键自由能态势区域的训练数据覆盖确保了模型的准确性，而对于丙二酸酰甘氨酰二肽，由经典分子动力学数据训练的模型明显不够准确，而基于从头算的机器学习势能在潜能能量预测上表现良好，但在自由能预测上表现不佳。本研究强调了对于准确自由能态势预测而言，组装全面的训练数据的挑战，并强调了理解自由能态势在准备训练数据时的重要性。研究指出了机器学习势能在自由能计算中的限制，强调了为有效模型训练需要涵盖系统的完整自由能态势的全面数据的必要性。

Mar, 2024

为机器学习的原子间势提供了能够代表分子系统可访问配置空间的数据集的生成方法，该方法利用不确定性作为集体变量以引导获取与化学相关的数据点，重点关注机器学习模型预测最不确定性的配置空间区域，并在丙氨酰二肽基准系统上验证了该方法在克服能量壁垒和探索未知能量最小值方面的有效性。

Feb, 2024

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

AutoGNNUQ 是一种自动化不确定性量化方法，通过生成一组高性能的图神经网络（GNNs）进行分子属性预测，实现对预测的不确定性的估计，并利用方差分解来提供减少不确定性的有价值见解。在多个基准数据集上的计算实验证明，AutoGNNUQ 在预测准确性和不确定性的性能方面优于现有的不确定性量化方法。此外，利用 t-SNE 可视化方法来探索分子特征与不确定性之间的相关性，为数据集的改进提供了见解。AutoGNNUQ 在药物发现和材料科学等领域具有广泛的应用价值。

Jul, 2023