[論文レビュー] Data-Efficient Multidimensional Free Energy Estimation via Physics-Informed Score Learning

Daniel Nagel, Tristan Bereau|arXiv (Cornell University)|Feb 11, 2026

Protein Structure and Dynamics被引用数 0

ひとこと要約

この論文は、Fokker–Planck Score Learning (FPSL) を拡張し、非平衡MDデータから2次元の自由エネルギー landscapeを再構成することで、物理情報を取り入れた多次元推定を効率的に実現します。

ABSTRACT

Many biological processes involve numerous coupled degrees of freedom, yet free-energy estimation is often restricted to one-dimensional profiles to mitigate the high computational cost of multidimensional sampling. In this work, we extend Fokker--Planck Score Learning (FPSL) to efficiently reconstruct two-dimensional free-energy landscapes from non-equilibrium molecular dynamics simulations using different types of collective variables. We show that explicitly modeling orthogonal degrees of freedom reveals insights hidden in one-dimensional projections at negligible computational overhead. Additionally, exploiting symmetries in the underlying landscape enhances reconstruction accuracy, while regularization techniques ensure numerical robustness in sparsely sampled regions. We validate our approach on three distinct systems: the conformational dynamics of alanine dipeptide, as well as coarse-grained and all-atom models of solute permeation through lipid bilayers. We demonstrate that, because FPSL learns a smooth score function rather than histogram-based densities, it overcomes the exponential scaling of grid-based methods, establishing it as a data-efficient and scalable tool for multidimensional free-energy estimation.

研究の動機と目的

• 分子系における高次元自由エネルギー推定のボトルネックを動機づけ、解決する。
• FPSLを拡張して、非平衡軌道から2次元自由エネルギーランドスケープを再構成する。
• 物理的事前知識と対称性を組み込み、希少採取領域の頑健性と精度を向上させる。
• アラニンジペプチドや脂質二重膜の透過など多様な系でアプローチを実証し、汎用性とスケーラビリティを示す。

提案手法

• 周期座標を持つ多次元CV空間へFokker–Planck Score Learningを拡張する。
• ニューラルネットワークがスカラーポテンシャルU_thetaを学習する拡散モデルフレームワークを用い、スコアs_thetaを駆動型周期系のNESSから派生させる。
• 学習を簡略化するため、スコアを学習された有効ポテンシャルの勾配としてパラメータ化する。周期性を課して訓練を簡素化。
• 正則化を取り入れる： (i) 拡散時間に対する滑らかさ正則化、または (ii) Fokker–Planck正則化で物理的一貫性を担保。
• フーリエ特徴を用いて対称性を組込み、周期性や他の空間対称性をネットワーク入力に埋め込む。
• 選択したCVに沿って非平衡MDデータを適用し、必要に応じてマージナル化して1Dプロファイルを取得；umbrella samplingをベースラインとして検証。

実験結果

リサーチクエスチョン

• RQ1 FPSLを効果的に拡張して非平衡MDデータから2次元自由エネルギーランドスケープを再構成できるか？
• RQ2 NESS物理と系の対称性を取り入れると、希少採取領域での再構成精度と頑健性が改善されるか？
• RQ3 2D FPSLは従来のumbrella sampling/MBARと比較して収束性とバイアス緩和においてどうか？
• RQ4 直交する自由度を持つ系に対して、1Dプロファイルへマージナル化して得る場合と、完全な2Dランドスケープを学習する場合の影響は？
• RQ5 FPSLは集団変数の型や力場分解能に対してデータ効率を保ちつつ無依存か？

主な発見

• 非平衡データからの学習で、次元の指数的スケーリングなしに正確な2D自由エネルギーランドスケープを学習できる。
• 完全な2Dランドスケープをモデル化することで、1D投影に隠れた洞察を得られ、収束問題を低減できる。
• 対称性を考慮した（Fourier-feature）実装は再構成精度を向上させ、分散を低減させる。
• Fokker–Planck正則化は希少採取領域での頑健性を高め、非物理的外挿を減らす。
• アラニンジペプチド、粗粒化・全原子レベルの脂質二重膜透過でデータ効率と汎用性を、格子ベース手法より示す。