多保真度原子模型不确定性分解研究进展

研究团队 Matteo Tolloso 等基于 mean-variance MACE 模型及 ANI-1x 数据集，深入分析了多保真度训练对原子模型不确定性分解的影响。该研究对比了从零开始的高保真度训练与低保真度预训练后续微调两种路径，重点考察了 aleatoric、epistemic 及总不确定性在训练过程及分布偏移下的表现。 研究发现，预训练阶段有效降低了预测误差，并提升了所有测试集上的不确定性排序能力。然而，预训练并不能保证预测方差的校准精度，高保真度微调阶段易导致 aleatoric 方差过度自信，且该问题在能量外推场景下显著恶化。研究强调在评估此类模型时，必须将不确定性排序与校准作为独立属性进行衡量。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。