Обучение ансамблей: надежная оценка неопределенности в машинном обучении потенциалов
![Оценка логарифмической правдоподобности показывает, что инициализация и тонкая настройка ансамблей на последнем слое превосходят обучение поверхностных ансамблей с нуля, при этом анализ логарифмической правдоподобности энергии и силы, усредненный по пяти наборам данных и трем случайным начальным значениям, демонстрирует значительное улучшение, особенно для материалов BMIM и [latex]\text{BaTiO}_3[/latex], где выделяются отдельные выбросы, указывающие на чувствительность подхода к конкретным свойствам материалов.](https://arxiv.org/html/2602.15747v1/x4.png)
Новое исследование предлагает эффективный подход к построению ансамблей моделей для точного прогнозирования и количественной оценки неопределенности в расчетах межмолекулярных взаимодействий.

![Исследование демонстрирует, как бесконечная решетка [latex]G \cong \mathbb{Z}^{2}[/latex] и конечное дерево [latex]G^{\prime}[/latex] позволяют определить окрестность вершины [latex]v[/latex] - [latex]H[/latex] или [latex]H^{\prime}[/latex] - включая её границу [latex]\partial H[/latex], [latex]\partial H^{\prime}[/latex] и внутреннюю область [latex]H^{\circ}[/latex], [latex]H^{\prime\circ}[/latex], раскрывая общие принципы анализа локальной структуры в различных типах графов.](https://arxiv.org/html/2602.15557v1/x2.png)
![При симметричной стратегии и псевдо-целевом множестве из двух элементов, равновесие [latex]\sigma_x[/latex], определяемое как обратная функция [latex]G^{-1}(p_x)[/latex], с ростом значения [latex]n[/latex] всё ближе приближается к значению [latex]p_x[/latex], что демонстрирует тенденцию к сближению стратегии и вероятности целевого действия.](https://arxiv.org/html/2602.15225v1/x2.png)