[論文レビュー] Deriving effective mesoscale potentials from atomistic simulations

Dirk Reith, Mathias Puetz+1 more|arXiv (Cornell University)|Nov 20, 2002

Advanced Physical and Chemical Molecular Interactions参考文献 2被引用数 36

ひとこと要約

本稿では、原子的シミュレーションデータからポリマー系の有効な粗粒化（CG）ポテンシャルを導出する反復的ボルツマン逆問題手法を提示する。ラジアル分布関数（RDF）の差異を逐次的に用いて数値的ポテンシャルを精緻化することで、構造的性質を高い精度で再現可能である。メルトおよび溶液相におけるポリ（イソプレン）を用いた検証により、環境依存性のため、濃度領域に応じて異なるCG力場が必要であることが示された。

ABSTRACT

We demonstrate how an iterative method for potential inversion from distribution functions developed for simple liquid systems can be generalized to polymer systems. It uses the differences in the potentials of mean force between the distribution functions generated from a guessed potential and the true (simulated) distribution functions to improve the effective potential successively. The optimization algorithm is very powerful: convergence is reached for every trial function in few iterations. As an extensive test case we coarse-grained an atomistic all-atom model of poly (isoprene) (PI) using a 13:1 reduction of the degrees of freedom. This procedure was performed for PI solutions as well as for a PI melt. Comparisons of the obtained force fields are drawn. They prove that it is not possible to use a single force field for different concentration regimes.

研究の動機と目的

• 原子的シミュレーションからキーモードルの構造的特徴を保持する有効な粗粒化（CG）ポテンシャルを自動的かつ反復的に導出する手法の開発。
• 分子内結合性と環境要因（例：濃度）が分子間相互作用に顕著に影響するポリマー系の粗粒化の課題に対処すること。
• メルトと溶液状態といった異なる熱力学的状態を正確に表現するためには、単一のCG力場では不十分であり、構造的分布関数の相違がその要因であることを実証すること。
• 化学的特異性を保持しつつ自由度を削減し、効率的なミクロスケールシミュレーションを可能にするCGモデル生成の体系的フレームワークを確立すること。

提案手法

• 本手法は反復的ボルツマン逆問題に基づき、仮定されたポテンシャルからのシミュレートされたRDFと原子的シミュレーションからの目標RDFとの差異を用いて、逐次的なポテンシャル更新を実行する。
• 解析的関数形に依存するバイアスを低減し収束性を向上させるために、解析的形ではなく表形式の数値的ポテンシャルを用いる。
• アルゴリズムはまず分子間ポテンシャルを最適化し、その後分子内項（ボンディングストレッチ、バンディング、トランスレーション）を最適化する。初期値としてボルツマン逆問題で得られた分布を用いる。
• 自己整合的最適化スキームを用いることで、通常5回以内の反復で収束が達成され、ラジアル分布関数の差異を最小化する。
• 本手法はtrans-1,4-ポリ（イソプレン）に適用され、CGスーパーアトムが複数のモノマーを表す。原子的モデルとCGモデルとの間のRDFおよび分子内分布の比較により妥当性が検証された。
• メルト系では圧力を後から最適化する際、短距離構造を損なわずに弱い引力的摂動を追加することで、力場チューニングの柔軟性を示した。

実験結果

リサーチクエスチョン

• RQ1 単純な液体から、分子内結合性を有する複雑なポリマー系にまで、反復的ボルツマン逆問題手法を一般化可能か？
• RQ2 原子的シミュレーションから導出されたCGポテンシャルは、元の系の構造的分布関数をどの程度正確に再現できるか？
• RQ3 ポリマー系の有効CGポテンシャルは、環境（例：濃度や相状態：メルト対溶液）に依存するか？
• RQ4 ポテンシャル逆問題において、表形式の数値的ポテンシャルと解析的関数形の両者を比較した場合、収束性および精度にどのような差が生じるか？
• RQ5 同じCG力場が、ポリマーのメルト状態と溶液状態を両方正確に表現できるか、それとも別個のポテンシャルが必要か？

主な発見

• 反復的ボルツマン逆問題手法は高速に収束し、Lennard-JonesおよびWCA液体の両方において、5回以内の反復で目標RDFとほぼ同一のラジアル分布関数（RDF）が達成された。
• 本手法により、自由度を13:1に削減したポリ（イソプレン）の粗粒化が成功し、メルトおよび溶液相の両方の構造的特徴が正確に再現された。
• CGモデルの分子内RDFは、原子的基準データとよく一致しており、ピーク位置および相対的強度の積分値の正規化が高く一致した。
• 分子内ポテンシャル、特にボンディングストレッチは、メルトと溶液状態でほぼ同一であった。これは、結合剛性が環境にほとんど依存しないことを示唆している。一方、バンディングおよびトランスレーションポテンシャルには顕著な差が認められた。
• メルト状態と溶液状態のCG力場は定量的に異なることが判明し、単一の力場では両方の濃度領域を正確に表現できないことが証明された。
• メルト系において弱い引力的ポテンシャルを後から追加することで、短距離構造を保持しながら圧力を調整でき、本手法の熱力学的チューニングにおける柔軟性が裏付けられた。