PROBE方法实现机器学习原子势可靠性概率预测，性能随骨干网络表达力增强而提升

B910化工消息：5月1日，arXiv发表研究提出了一种新的机器学习原子势（MLIP）不确定性量化方法PROBE（Post-hoc Reliability from Backbone Embeddings）。

现有的MLIP不确定性量化方法依赖于独立训练的骨干网络集成，这些方法在基础模型规模的MLIP上扩展性不佳，且成员分歧信号与每分子预测误差的相关性较弱。

PROBE采用了一种根本不同的策略：在预训练MLIP的冻结逐原子表征上训练一个紧凑的判别分类器，将MLIP不确定性量化重新构建为选择性分类而非误差回归。该方法产生逐预测的可靠性概率，单调跟踪实际误差，且不需要修改底层模型。

在大规模保留评估集和两种结构不同的MLIP架构上，PROBE作为二元可靠性信号优于集成分歧。其性能随骨干表征表达力的增强而增强，暗示了向基础模型规模MLIP的有利扩展轨迹。多头自注意力还额外提供了逐原子重要性图谱，在不增加计算成本的情况下提供化学可解释的诊断信息。PROBE是后验的、架构无关的，可直接部署在任何暴露逐原子表征的MLIP上。 （来源：arXiv）