[論文レビュー] A Boltzmann generator for the isobaric-isothermal ensemble

Steyn van Leeuwen, Alberto Pérez de Alba Ortíz+1 more|arXiv (Cornell University)|May 15, 2023

Gaussian Processes and Bayesian Inference被引用数 7

ひとこと要約

本稿は、等圧等温（NPT）集団に初めて適用されたボルツマンジェネレータ（BG）を紹介し、体積のゆらぎを許容することで、相転移をまたがる平衡配置のワンショットサンプリングを可能にする。モデルは正規化フローを用いて潜在空間から配置空間への可逆的かつ学習可能な写像を学習し、MD結果を正確に再現するとともに、生成されたサンプルを用いたギブズ自由エネルギー推定を可能にする。

ABSTRACT

Boltzmann generators (BGs) are now recognized as forefront generative models for sampling equilibrium states of many-body systems in the canonical ensemble, as well as for calculating the corresponding Helmholtz free energy. Furthermore, BGs can potentially provide a notable improvement in efficiency compared to conventional techniques such as molecular dynamics (MD) and Monte Carlo (MC) methods. By sampling from a clustered latent space, BGs can circumvent free-energy barriers and overcome the rare-event problem. However, one major limitation of BGs is their inability to sample across phase transitions between ordered phases. This is due to the fact that new phases may not be commensurate with the box dimensions, which remain fixed in the canonical ensemble. In this work, we present a novel BG model for the isothermal-isobaric (NPT) ensemble, which can successfully overcome this limitation. This unsupervised machine-learning model can sample equilibrium states at various pressures, as well as pressure-driven phase transitions. We demonstrate that the samples generated by this model are in good agreement with those obtained through MD simulations of two model systems. Additionally, we derive an estimate of the Gibbs free energy using samples generated by the NPT BG.

研究の動機と目的

• Canonical（NVT）から等圧等温（NPT）集団へのボルツマンジェネレータの拡張を図り、一定圧力および一定温度下でのサンプリングを可能にする。
• 固定されたボックスサイズを持つNVT BGの制限を克服し、特に秩序相間の相転移をサンプリングできない問題を解消する。
• 繰り返しの時間ステップを必要とせず、MD や MC よりも高い効率でNPT集団における平衡配置を生成できる機械学習モデルを開発する。
• NPTボルツマンジェネレータが生成するサンプルからギブズ自由エネルギーを推定する手法を導出する。

提案手法

• モデルは正規化フロー（NF）を用い、簡単な潜在分布からNPT集団におけるボルツマン分布への可逆的かつ学習可能な写像を学習する。
• 配置空間には粒子の位置に加え、ボックスの寸法（Lx, Ly, Lz）を含め、一定圧力下での体積のゆらぎを許容する。
• BGの学習には、潜在事前分布と変換後の分布間のKLダイバージェンス損失のみを用い、学習中に尤度最大化（ML損失）は使用しない。
• アーキテクチャはカップリング層を用いたフローに基づく生成モデルであり、Adam最適化子を用いた確率的勾配降下法で学習する。
• モデルは2つのモデル系（Lennard-JonesおよびHemmer-Stell型（HSL）流体）において、MDシミュレーションと比較して評価される。
• 生成されたサンプルの分配関数と対数尤度を用いて、NPT BGからギブズ自由エネルギーを推定する手法が導出される。

実験結果

リサーチクエスチョン

• RQ1 ボルツマンジェネレータを等圧等温（NPT）集団に成功裏に拡張でき、ワンショットで平衡状態をサンプリングできるか？
• RQ2 固定ボックスサイズのためのNVT BGに内在する相転移サンプリングの制限を、NPTボルツマンジェネレータは克服できるか？
• RQ3 NPTボルツマンジェネレータが生成する配置は、構造的および熱力学的性質の観点で、従来のMDシミュレーションとどの程度一致するか？
• RQ4 NPTボルツマンジェネレータを用いてギブズ自由エネルギーを推定可能であり、MDベースの推定値と比較してどの程度の精度を示すか？

主な発見

• NPTボルツマンジェネレータは、体積のゆらぎを許容することで、結晶相を含む相転移をまたがる平衡配置を成功裏に生成する。
• Lennard-JonesおよびHSL系の両方において、NPT BGが生成する配置はMDシミュレーションと優れた一致を示し、特に径方向分布関数および構造因子において顕著である。
• モデルはワンショットで正確なサンプリングを達成し、MD や MC シミュレーションで用いられる繰り返し時間ステップの必要性を回避する。
• 生成されたサンプルの分配関数と対数尤度を用いて、NPT BGからギブズ自由エネルギーが成功裏に推定され、モデルの熱力学的整合性が裏付けられる。
• 3エポックの学習スケジュール（学習率を段階的に低下）と固定バッチサイズを用いた学習により、両モデル系で安定した収束が達成された。
• HSL系では、Pσ²/ε = 5.0および2.0の条件下でBGを学習し、エポックあたり4000イテレーションを実行したが、両圧力条件下でMDと整合性のあるサンプルが生成された。