기계 학습 원자 간 퍼텐셜의 신뢰할 수 있는 시점 파악

현재 지배적인 기계 학습 기반 원자 간 퍼텐셜 (MLIP) 불확실성 정량화 방법은 독립적으로 훈련된 백본 (backbone) 앙상블에 의존합니다. 이러한 방법들은 foundation-scale MLIP(기초 규모 MLIP) 과 함께 불리하게 확장되며, 구성원 간의 불일치 신호는 분자당 예측 오류와 약한 상관관계를 보입니다.

이 논문에서는 사전 훈련된 MLIP 의 고정된 원자 단위 표현 (frozen per-atom representations) 을 컴팩트한 판별 분류기 (discriminative classifier) 로 탐구하여, MLIP 불확실성 정량화를 오차 회귀가 아닌 선택적 분류 (selective classification) 로 재정의합니다.

이로 인해 생성된 PROBE(Post-hoc Reliability frOm Backbone Embeddings) 방법은 기본 모델 수정 없이 예측당 신뢰도 확률을 생성하며 실제 오류와 단조롭게 일치합니다. 대규모 홀드아웃 평가 세트와 두 가지 구조적으로 다른 MLIP 아키텍처를 통해, PROBE 는 이진 신뢰도 신호로서 앙상블 불일치를 능가하며, 이는 백본 표현의 표현력 (expressiveness) 과 함께 강화됩니다. 이는 foundation-scale MLIP 으로 가는 유리한 확장 경로를 시사합니다.

다중 헤드 자기 주의 (multi-head self-attention) 는 추가적인 계산 비용을 발생시키지 않으면서 화학적으로 해석 가능한 원자 단위 중요도 지도 (per-atom importance maps) 를 제공합니다.

PROBE 는 후속 처리 (post-hoc) 나 아키텍처 무관하며, 원자 단위 표현을 노출하는 모든 MLIP 에 직접 배포 가능합니다.