Deep Learning verbessert Unsicherheitsabschätzung atomarer Potentiale

In der Molekulardynamik sind Unsicherheitsabschätzungen entscheidend, um die Zuverlässigkeit von maschinellen Lernpotenzialen (MLIPs) zu beurteilen, extrapolative Bereiche zu erkennen und gezielte Lernschleifen für die Datensammlung zu ermöglichen.

Traditionelle Ansätze zur Unsicherheitsquantifizierung sind häufig mit hohem Rechenaufwand oder suboptimaler Leistung verbunden. Evidential Deep Learning (EDL) bietet dagegen eine theoretisch fundierte, einmodellige Alternative, die sowohl aleatorische als auch epistemische Unsicherheit in einem einzigen Forward‑Pass ermittelt.

Die Anwendung von EDL auf vektorielle Größen wie atomare Kräfte stellt besondere Herausforderungen dar, insbesondere die Gewährleistung statistischer Selbstkonsistenz unter Rotationen. Um diese Hürden zu überwinden, wurde das neue Framework Equivariant Evidential Deep Learning for Interatomic Potentials (e²IP) entwickelt.

e²IP ist modellunabhängig und modelliert Kräfte sowie deren Unsicherheit gleichzeitig, indem es die Unsicherheit als vollständige 3×3‑symmetrische positive definite Kovarianzmatrix darstellt, die unter Rotationen equivariant transformiert. Dadurch bleibt die physikalische Konsistenz erhalten.

Experimentelle Tests an vielfältigen molekularen Benchmarks zeigen, dass e²IP ein deutlich besseres Gleichgewicht zwischen Genauigkeit, Effizienz und Zuverlässigkeit bietet als nicht‑equivariante Evidenzmodelle und die weit verbreitete Ensemble‑Methode. Zudem erzielt es eine höhere Daten­effizienz dank der vollständig equivarianten Architektur, während die Inferenz weiterhin mit einem einzelnen Modell sehr schnell bleibt.