머신러닝 (Machine learning)은 방대한 조성 및 구조 설계 공간을 탐색함으로써 새로운 재료의 발견을 가속화하는 데 점점 더 많이 적용되고 있습니다. 하지만 고품질 데이터의 부족과 분포 외 예측 (out-of-distribution prediction)의 빈번한 필요성은 상당한 불확실성을 야기하며, 이로 인해 모델 신뢰성 평가가 필수적이 되었습니다. 본 연구에서는 영구 자석 연구 맥락에서 모델의 확신도를 평가하기 위한 수단으로서 불확실성 정량화 (uncertainty quantification)를 조사합니다. 첫 번째 연구에서는 고유 자성 특성을 예측하기 위한 고전적 및 현대적 머신러닝 모델들을 벤치마킹하며, 이들의 불확실성 추정 품질에 초점을 맞춥니다. 우리는 예측 불확실성을 추정하기 위한 실용적인 전략으로 가우시안 음의 로그 가능도 손실 (Gaussian negative log-likelihood loss)과 드롭아웃 기반 베이지안 근사 (dropout-based Bayesian approximation)를 적용합니다. 두 번째 연구에서는 이러한 불확실성 추정을 위한 아키텍처 특징들을 더 복잡한 작업인 그래프 신경망 (graph neural network)을 이용한 미세 구조 정보로부터의 보자력 (coercivity) 예측으로 전이합니다. 이러한 연구들을 종합하면, 불확실성 정량화가 예측의 신뢰성을 향상시킬 뿐만 아니라 서로 다른 모델링 작업 간에도 전이 가능하다는 것을 보여줍니다.