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.

Новое исследование предлагает эффективный подход к построению ансамблей моделей для точного прогнозирования и количественной оценки неопределенности в расчетах межмолекулярных взаимодействий.

Стратегическое равновесие в играх на пространстве

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.

Новое исследование раскрывает закономерности формирования равновесия в играх, где игроки конкурируют за оптимальное положение в пространстве, и оценивает скорость достижения этого равновесия при увеличении числа участников.