Границы применимости: Моделирование Out-of-Distribution (OOD) молекул и экспериментальная валидация

Вот перевод и профессиональная адаптация вашего текста на русский язык с сохранением всех технических деталей, цифр и терминологии.

---

Перевод и адаптация текста

Внедрение гибридных термодинамических моделей, таких как SPT-NRTL, закономерно порождает у инженеров-проектировщиков критически важный вопрос: как эти модели машинного обучения (ML) ведут себя при столкновении с молекулами или радикалами, которые принципиально отсутствовали в их обучающей выборке? Речь идет, например, о новых высокотоксичных соединениях, нестабильных интермедиатах или инновационных растворителях, для которых экспериментальные данные еще не получены или являются коммерческой тайной.

Традиционные алгоритмы машинного обучения в таких условиях демонстрируют существенное падение производительности (деградацию точности) на данных, относящихся к категории «Out-of-Distribution» (OOD, т.е. «выпадающих из распределения» обучающей выборки). Для надежной верификации суррогатных (замещающих) расчетов, проводимых без дорогостоящей пилотной установки, современные инженерные протоколы требуют выполнения следующих шагов:

1. Оценка метрики AU-GOOD (Area Under the Generalized OOD curve). Это специализированная метрика, которая позволяет количественно оценить ожидаемую производительность модели в условиях растущего расхождения (дивергенции) между распределением обучающей и тестовой выборок. Она служит индикатором того, насколько сильно можно доверять прогнозу модели по мере удаления молекулы от известного «ядра» данных.

2. Применение трансдуктивного подхода (Transductive learning). В отличие от классического индуктивного обучения (когда модель обучается на всем массиве данных, а затем применяется к новым точкам), трансдуктивный метод использует аналоговые отношения «вход-цель» непосредственно в момент запроса. Этот подход позволяет повысить точность классификации OOD-молекул в 2.5–3 раза, так как он частично учитывает структуру неизвестного пространства признаков без необходимости полного переобучения модели.

3. Использование энтропии и дисперсии предсказаний. Инженеры должны в обязательном порядке применять дисперсию прогнозов (например, Variance в рамках Gaussian Process — Гауссовского процесса) как ключевой индикатор неуверенности (uncertainty) нейросети. Высокая энтропия выходного распределения модели сигнализирует о том, что исследуемая молекула с высокой вероятностью находится в OOD-зоне. В таких случаях модель не может дать надежный количественный результат, и инженер обязан вернуться к классической лабораторной верификации (проведению эксперимента) для получения достоверных данных.

Теги

• #MachineLearning
• #OOD
• #Validation
• #Uncertainty

#MachineLearning #OOD #Validation #Uncertainty