머신러닝은 방대한 조성 및 구조 설계 공간을 탐색하여 새로운 재료를 빠르게 발견하는 데 활용되고 있어요. 하지만 고품질 데이터 부족과 예측 범위를 벗어난 예측의 필요성 때문에 모델 신뢰성 평가가 중요해졌어요. 이번 연구에서는 불확실성 정량화를 통해 영구 자석 연구 맥락에서 모델 확신도를 평가하는 방법을 조사했어요.
가우시안 네거티브 로그 가능성 손실과 드롭아웃 기반 베이지안 근사를 활용하여 예측 불확실성을 추정하는 전략을 적용하여 고전 및 최신 머신러닝 모델을 벤치마킹했어요. 이 연구들은 예측 신뢰도를 높일 뿐만 아니라 다양한 모델링 작업에 불확실성 정량화가 전송 가능하다는 것을 보여줘요.
마이크로구조 정보에서 강제 자기화 예측과 같은 복잡한 작업에 불확실성 추정을 위한 아키텍처 특징을 적용했어요.