Self-consistent Validation for Machine Learning Electronic Structure

要約

機械学習は、電子構造の問題に効率的に取り組むための重要なアプローチとして浮上しています。
その可能性にもかかわらず、モデルが現実世界のシナリオでの適用を妨げる目に見えないデータに一般化される保証はあまりありません。
この問題に対処するために、予測の精度を推定する手法が提案されています。
この手法は、機械学習と自己一貫性のあるフィールド手法を統合し、低い検証コストと解釈可能性の両方を実現します。
これにより、アクティブ ラーニングによるモデルの能力の探索が可能になり、現実世界の研究への統合に自信が生まれます。

要約(オリジナル)

Machine learning has emerged as a significant approach to efficiently tackle electronic structure problems. Despite its potential, there is less guarantee for the model to generalize to unseen data that hinders its application in real-world scenarios. To address this issue, a technique has been proposed to estimate the accuracy of the predictions. This method integrates machine learning with self-consistent field methods to achieve both low validation cost and interpret-ability. This, in turn, enables exploration of the model’s ability with active learning and instills confidence in its integration into real-world studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google