多保真训练改变原子模型不确定性分解

Matteo Tolloso 等作者发表研究，用基于 ANI-1x 训练的均值-方差 MACE 模型深度集成，对比从头高保真训练与低保真预训练后微调。结果显示，预训练能降低预测误差并改善不确定性排序，但预测方差并未良好校准，在能量外推下校准退化更严重。 训练动态分析将大部分校准退化定位到高保真优化阶段，此时学习到的偶然方差在留出数据上变得过度自信。研究还发现，多保真度微调产生了比从头高保真训练更有效的不确定性采集函数。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。