English(EN) Multi-Fidelity Training Reshapes Uncertainty Decomposition in Atomistic Models

多保真度训练影响原子模型中的不确定性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

一项新近发表在arXiv上的研究探讨了多保真度训练对原子模型中不确定性分解的影响。研究人员使用了在ANI-1x数据上训练的MACE模型的深度集成，并比较了从头开始训练与低保真度预训练后进行微调的效果。研究结果表明，预训练可以提高预测精度和基于不确定性的排序，但可能导致预测方差校准不佳，尤其是在外推到未见过的分子系统或更高能量构型时。该研究强调，不确定性排序和校准是需要区分评估的两个独立属性，在多保真度原子建模中尤其如此。 AI

影响这项研究可能带来更可靠的原子模拟不确定性量化，从而改进其在科学发现中的应用。

排序理由该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种新的原子模型方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 10 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种新的原子模型方法。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Matteo Tolloso, Davide Bacciu, Luigi Bonati · 2026-10-27 04:00

多保真度训练重塑原子模型中的不确定性分解

arXiv:2610.35560v1 Announce Type: cross Abstract: Multi-fidelity training, which combines abundant low-fidelity data with scarce high-fidelity labels, is increasingly common in atomistic modeling, but its effect on predictive uncertainty remains largely unexplored. We investigate…

本文如何被排名

报道来源 [1]

多保真度训练重塑原子模型中的不确定性分解

相关实体

相关话题