[論文レビュー] Adversarial reverse mapping of condensed-phase molecular structures: Chemical transferability

Marc Stieffenhofer, Tristan Bereau+1 more|arXiv (Cornell University)|Jan 13, 2021

Machine Learning in Materials Science参考文献 30被引用数 28

ひとこと要約

本論文は、凝縮相分子構造の逆マッピングにおける化学的転送可能性を可能にする条件付き生成対抗ネットワークであるdeepBackmap (DBM) を導入する。オクタンとクミーンという小分子液体のみを用いて訓練したことで、シンドイアタクチックポリスチレン(sPS)のような複雑な高分子の高精度な原子配置構造を再構築することに成功し、参照構造とほぼ同一の対関数および正確なLennard-Jonesエネルギー分布を達成した。これは、化学的重複が限られているにもかかわらず、強力な一般化性能を示している。

ABSTRACT

Switching between different levels of resolution is essential for multiscale modeling, but restoring details at higher resolution remains challenging. In our previous study we have introduced deepBackmap: a deep neural-network-based approach to reverse-map equilibrated molecular structures for condensed-phase systems. Our method combines data-driven and physics-based aspects, leading to high-quality reconstructed structures. In this work, we expand the scope of our model and examine its chemical transferability. To this end, we train deepBackmap solely on homogeneous molecular liquids of small molecules, and apply it to a more challenging polymer melt. We augment the generator's objective with different force-field-based terms as prior to regularize the results. The best performing physical prior depends on whether we train for a specific chemistry, or transfer our model. Our local environment representation combined with the sequential reconstruction of fine-grained structures help reach transferability of the learned correlations.

研究の動機と目的

• 機械学習ベースの分子系のバックマッピングにおける化学的転送可能性を調査すること。
• 単純な液体から学習した局所的相関が、シンドイアタクチックポリスチレン(sPS)のような複雑な高分子へ一般化可能かどうかを評価すること。
• 物理的事前知識がモデル性能および転送可能性に与える影響を評価すること。
• 高分解能の凝縮相系の再構築に適したスケーラブルで自己回帰的な深層学習フレームワークの開発すること。

提案手法

• オクタンとクミーン液体の粗粒度(CG)配置を対象に、条件付き生成対抗ネットワーク(cGAN)を訓練した。
• 分子トポロジーと空間的関係を複数チャネルで符号化したボクセルベースの3次元表現を用いた。
• 局所的環境の文脈に基づいて原子を逐次再構築する自己回帰的生成戦略を実装した。
• 生成器の損失関数に物理的事前知識を組み込んだ：エネルギー最小化事前知識(p1)とエネルギー一致事前知識(p2)。
• 転送可能性に不可欠な短距離相互作用を捉えるために、局所的環境表現を採用した。
• コンformational spaceのカバー範囲と構造的忠実度を評価するために、k-meansクラスタリングと低次元投影上の混同行列を用いた。

実験結果

リサーチクエスチョン

• RQ1 小分子液体で訓練したディープラーニングモデルが、再訓練なしに複雑な高分子メルトをバックマップできるか？
• RQ2 異なる物理的事前知識が、生成された原子配置構造の品質および転送可能性にどのように影響するか？
• RQ3 小分子内の局所的原子環境が、より大きな、化学的に異なる系へどの程度転送可能か？
• RQ4 自己回帰的で局所的環境に基づくアーキテクチャが、転送された系における統計的およびエネルギー的性質を保っているか？
• RQ5 モデルが、対関数やLennard-Jonesエネルギーなどの主要な構造的・エネルギー的分布を、ターゲット系でどの程度正確に再現できるか？

主な発見

• オクタンとクミーンで訓練したモデルは、参照構造とほぼ同一の対関数を示すほど、sPSのバックマップにおいて高い構造的忠実度を達成した。
• バックマップされたsPS構造のLennard-Jonesエネルギー分布は、参照と極めて近く、最小限のずれを示した。
• 混同行列解析により、クラスタリングの割り当てが完全に一致したわけではないものの、コンformationalクラスタの相対的分布がよく再現されており、正しい統計的サンプリングが行われていることが示された。
• エネルギー最小化事前知識(p1)は、化学的転送設定において最高品質の構造を生成したが、sPSで訓練した場合には不自然に低いエネルギーを生じた。
• エネルギー一致事前知識(p2)と事前知識なしの条件は同等の性能を示し、明示的な物理的事前知識がなくても、データ駆動型学習が転送可能性を達成するのに十分である可能性を示唆した。
• モデルは、バックボーンに対するフェニル環の相対的向きなどの長距離または方向特異的特徴をうまく再現できず、複雑な立体効果や電子効果の一般化に限界があることがわかった。