[論文レビュー] Generative Coarse-Graining of Molecular Conformations

Wujie Wang, Minkai Xu+6 more|arXiv (Cornell University)|Jan 28, 2022

Machine Learning in Materials Science被引用数 23

ひとこと要約

CGVAE は coarse-grained 構造を微細な構 conformations へ backmap する確率的で等変なフレームワークを導入し、FG の不確実性と幾何学的一致性を捉える。

ABSTRACT

Coarse-graining (CG) of molecular simulations simplifies the particle representation by grouping selected atoms into pseudo-beads and drastically accelerates simulation. However, such CG procedure induces information losses, which makes accurate backmapping, i.e., restoring fine-grained (FG) coordinates from CG coordinates, a long-standing challenge. Inspired by the recent progress in generative models and equivariant networks, we propose a novel model that rigorously embeds the vital probabilistic nature and geometric consistency requirements of the backmapping transformation. Our model encodes the FG uncertainties into an invariant latent space and decodes them back to FG geometries via equivariant convolutions. To standardize the evaluation of this domain, we provide three comprehensive benchmarks based on molecular dynamics trajectories. Experiments show that our approach always recovers more realistic structures and outperforms existing data-driven methods with a significant margin.

研究の動機と目的

• 情報損失下で coarse-grained (CG) から fine-grained (FG) 分子座標への正確な backmapping を動機づける。
• FG の不確実性を捉えるために backmapping を条件付き生成タスクとして定式化する。
• E(3) 対称性を尊重する等変で幾何学的整合性を持つデコーダを開発する。
• CG に依存しないベンチマークと指標を提供し、CG backmapping 領域の評価を標準化する。

提案手法

• 確率的な CG-to-FG モデル (CGVAE) を提案し、潜在変数 z を介して p(x|X) を学習する。エンコーダ qϕ(z|x,X) とデコーダ pθ(x|X,z) を用いて。
• FG-to-CG の不変エンコーダを用い、メッセージパッシングとプーリングで CG 埋め込みを得て z をパラメータ化する。
• FG データなしでサンプリングを可能にするため、CG 構造のみから prior pψ(z|X) をモデル化する。
• FG 座標を予測するために、ベクターと pseudoscalar/pseudovector 特徴および E(3) 等変畳み込みを用いた多チャネル等変デコーダを実装する。
• R1 および R2 で幾何学的一致性を課す: M x̃ = X および Dec(QX+g) = Q Dec(X)+g。 backmapping が CG の幾何と等変性を保つことを保証する。
• 再構成損失 (MSD ‐ graph-based loss を含む) と KL ダイバージェンス正則化で訓練する。サンプリングは prior から z を引いてデコードする。

実験結果

リサーチクエスチョン

• RQ1 確率的で等変な backmapping モデルは FG の不確実性を捉えつつ、CG 入力から現実的な FG 几何を回復できるか。
• RQ2 特定の CG マッピングに依存せず、幾何学的一致性を維持したままバックマッピングをどのように実現できるか。
• RQ3 提案されたベンチマークと指標は、CG 解像度を超えた再構成品質と多様性を信頼性高く評価できるか。

主な発見

• CGVAE は baseline の決定論的手法と比較して、一貫して優れた再構成精度、サンプル品質、および多様性を達成する。
• 高解像度の CG 表現は、CG ビーズあたりの原子数が少ないため FG 再構成精度を向上させる。
• 低解像度の CG 表現は、潜在変数 z によって捉えられる FG コンフォメーション空間が大きく、サンプル多様性が高い。
• 本モデルは CG マッピングに依存せず、MD シミュレーションで用いられる多様な CG マッピング手法に適用可能。
• ベクター、 pseudoscalar、およびベクトル間積に基づく更新を用いた等変デコーディングは FG 座標の構築表現力を高める。