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
研究提出PROBE（Post-hoc Reliability from Backbone Embeddings）方法，将机器学习原子势（MLIP）不确定性量化重构为选择性分类问题。通过在预训练MLIP的冻结原子表征上训练紧凑判别分类器，PROBE生成单调跟踪实际误差的每预测可靠性概率，性能随骨干表达力增强而提升，且是后验和架构无关的。
不确定性量化
共 1 篇 · B910 化工资讯聚合
共 1 篇 · B910 化工资讯聚合
研究提出PROBE（Post-hoc Reliability from Backbone Embeddings）方法，将机器学习原子势（MLIP）不确定性量化重构为选择性分类问题。通过在预训练MLIP的冻结原子表征上训练紧凑判别分类器，PROBE生成单调跟踪实际误差的每预测可靠性概率，性能随骨干表达力增强而提升，且是后验和架构无关的。
