[論文レビュー] Differentiable Simulations for Enhanced Sampling of Rare Events

Martin Šípka, Johannes C. B. Dietschreit+2 more|arXiv (Cornell University)|Jan 9, 2023

Machine Learning in Materials Science被引用数 4

ひとこと要約

本稿では、事前に選択された集団変数（CV）に依存せずに、希少な化学的遷移を発見および強化するための微分可能シミュレーション（DiffSim）を提案する。反応経路の同定とバイアスポテンシャルの学習を、経路積分損失を介して統合的・エンドツーエンド最適化として定式化することで、部分的バックプロパゲーションとグラフミニバッチを用いた安定で効率的な学習が可能となり、事前にCVを知らなくてもミュラー＝ブラウンポテンシャルおよびアラニンジペプチドにおいて遷移経路を的確に同定した。

ABSTRACT

Simulating rare events, such as the transformation of a reactant into a product in a chemical reaction typically requires enhanced sampling techniques that rely on heuristically chosen collective variables (CVs). We propose using differentiable simulations (DiffSim) for the discovery and enhanced sampling of chemical transformations without a need to resort to preselected CVs, using only a distance metric. Reaction path discovery and estimation of the biasing potential that enhances the sampling are merged into a single end-to-end problem that is solved by path-integral optimization. This is achieved by introducing multiple improvements over standard DiffSim such as partial backpropagation and graph mini-batching making DiffSim training stable and efficient. The potential of DiffSim is demonstrated in the successful discovery of transition paths for the Muller-Brown model potential as well as a benchmark chemical system - alanine dipeptide.

研究の動機と目的

• 従来の強化サンプリングが手動で選択した集団変数（CV）に依存する高次元分子系における反応経路の同定の課題に対処すること。
• 反応経路の知識がなければCVを同定できないという「ニワトリとタマゴの問題」を克服すること。
• 専門家が定義したCVを必要とせず、希少イベントのサンプリングを向上させるバイアスポテンシャルを学習可能な、堅牢な微分可能シミュレーションフレームワークを開発すること。
• 統一された経路積分損失関数を用いて、反応経路とバイアスポテンシャルの両方をエンドツーエンド最適化すること。
• ミュラー＝ブラウンポテンシャルおよびアラニンジペプチドを含むベンチマーク系において、最小限の事前仮定で本手法の有効性を実証すること。

提案手法

• 軌道がエネルギー障壁を通過する確率を測定する経路積分損失関数を定式化し、希少イベント発生の微分可能代理指標として用いる。
• 全シミュレーション軌道を経由したバックプロパゲーションを用いて学習可能なバイアスポテンシャルを訓練し、バイアスを強化するためのエンドツーエンド最適化を可能にする。
• 長時間の軌道における勾配の消失／発散を防ぐために、部分的バックプロパゲーションを実装する。
• 確率的勾配降下法の実行を可能にするために、グラフミニバッチを導入する。これにより、学習の安定性と収束性が向上する。
• ラングジュアンダイナミクスを用いて有限の記憶時間窓を導入し、随伴計算の成長を自然に抑制し、最適化プロセスを安定化させる。
• 計算グラフを剪断し、勾配の高周波成分振動を抑制するために、.detach() 操作を適用する。

Figure 1 : Comparison of the adjoint evolution for original and partially detached graphs for simulations on the 2D Müller-Brown potential with parameters given in Appendix F .

実験結果

リサーチクエスチョン

• RQ1 微分可能シミュレーションを用いて、事前に選択された集団変数に依存せずに反応経路を同定できるか？
• RQ2 統一的でエンドツーエンド最適化フレームワークは、一度の学習プロセスで反応経路とバイアスポテンシャルの両方を効果的に学習できるか？
• RQ3 複雑なエネルギー障壁を持つ高次元分子系に適用した場合、微分可能シミュレーションの学習はどの程度安定的かつ効率的か？
• RQ4 アラニンジペプチドのような現実的な化学系において、主要な二面角座標の知識がなくても、希少遷移のサンプリングを効果的に強化できるか？
• RQ5 学習されたバイアスポテンシャルは、メタダイナミクスから得られたPMFのように、既知の自由エネルギープロファイルをどの程度再現できるか？

主な発見

• 本手法は、集団変数の事前知識が全くない状態で2次元ミュラー＝ブラウンポテンシャルにおける遷移経路を的確に同定し、ノイズが存在する状況でも収束を達成した。
• ノイズを含む5次元ミュラー＝ブラウンポテンシャルにおいても、遷移の観測確率が高く維持され、不要な自由度に対して高いロバストネスを示した。
• アラニンジペプチドにおいては、学習後10 ps以内に80％以上の軌道が遷移を完了した。これは希少イベントの強化が効果的であったことを示している。
• 本手法が学習した平均バイアスポテンシャルは、メタダイナミクスから得られた基準PMFと非常に良く一致しており、自由エネルギーの地形を正確に捉えていることが検証された。
• バイアス付き軌道から低次元の代表的変数（CV）を構築できたことから、学習されたバイアスが自動的に関連する反応座標を特定していることが示された。
• 部分的バックプロパゲーションとグラフミニバッチの使用により、微分可能シミュレーションの学習が著しく安定化し、信頼性の高い最適化が可能になった。