[論文レビュー] Inferring phase transitions and critical exponents from limited observations with Thermodynamic Maps

Lukas Herron, Kinjal Mondal+2 more|arXiv (Cornell University)|Aug 28, 2023

Protein Structure and Dynamics被引用数 9

ひとこと要約

Thermodynamic Maps は、限られたデータから熱力学的観測量の温度依存性を学習するスコアベース生成モデルを用い、Ising系およびRNA系の相転移と融解挙動の推定を可能にします。

ABSTRACT

Phase transitions are ubiquitous across life, yet hard to quantify and describe accurately. In this work, we develop an approach for characterizing generic attributes of phase transitions from very limited observations made deep within different phases' domains of stability. Our approach is called Thermodynamic Maps, which combines statistical mechanics and molecular simulations with score-based generative models. Thermodynamic Maps enable learning the temperature dependence of arbitrary thermodynamic observables across a wide range of temperatures. We show its usefulness by calculating phase transition attributes such as melting temperature, temperature-dependent heat capacities, and critical exponents. For instance, we demonstrate the ability of thermodynamic maps to infer the ferromagnetic phase transition of the Ising model, including temperature-dependent heat capacity and critical exponents, despite never having seen samples from the transition region. In addition, we efficiently characterize the temperature-dependent conformational ensemble and compute melting curves of the two RNA systems GCAA tetraloop and HIV-TAR, which are notoriously hard to sample due to glassy-like landscapes.

研究の動機と目的

• 相転移が複数相にまたがって平衡状態に留まる系の量的評価を動機づける。
• 限られた観測から分配関数と自由エネルギーの温度依存性を学習する生成フレームワークを開発する。
• 2D Isingモデルで臨界温度と指数を推定する方法を示す。
• RNA系へTMを適用し、温度依存の立体構成集合と融解曲線を抽出する。

提案手法

• スコアベースの拡散モデルを用いて、複雑な系の集合の温度依存性を単純な prior 系へ写像する Thermodynamic Maps (TM) を導入する。
• 座標を辅助的な逆温度変数で拡張し joint x, β 空間を形成し、 forward 拡散 between p(x,β) と q(x′,β′) を反転する diffusion-based map Mθ を学習する。
• Explicit なヤコビ行列を要求せずに、 forward および backward SDE を用いたスコアベースモデルで温度尾付き写像を学習する。
• Targeted Free Energy Perturbation (TFEP) を multi-ensemble thermodynamics に拡張し、写像を学習して温度間の自由エネルギー差を推定する。
• prior を調和振動子として表現し、温度変数に物理的意味を与え、任意温度で生成可能にする。

Figure 1: Illustration of a Thermodynamic Map between systems. A The Thermodynamic Map is parameterized by a diffusion model, denoted as $\mathcal{M}_{\theta}$ , which learns to invert a diffusion process that maps the temperature dependence of samples $\mathbf{x}$ from a complex system, whose equil

実験結果

リサーチクエスチョン

• RQ1 TM は安定相の深部でデータをサンプルした場合に相転移の臨界挙動を推定できるか。
• RQ2 限られたサンプリングから磁化、比熱、融解曲線といった温度依存の観測量をどの程度回復できるか。
• RQ3 Ising の臨界温度と指数の TM ベース予測は理論とベンチマーク（MD および RNA 系の実験）と一致するか。
• RQ4 TM はRNA の構成風景のサンプリングを加速し、温度依存の平衡分布を信頼できるものとして得られるか。

主な発見

• TM は異なる相に深く存在するデータから Ising の臨界温度と磁化および比熱の発散を正しく推定する。
• TM によって推定された臨界指数（β ≈ 0.178 ± 0.012; α ≈ 0.236 ± 0.061）は有限サイズ効果内で MC 結果と一致する。
• TM はRNAの立体構成集合の温度依存性を学習し、計算的および実験的参照と一致する融解曲線を得る。
• TM-aMD はRNA風景のサンプリングを加速し、 replica-exchange ベンチマークと一致する成果で大幅なスピードアップを達成する。
• TM はトレーニングデータに現れない温度であっても熱力学的に整合したサンプルの信頼性ある生成を示す。

Figure 2: Inferring the phase transition of the 2D Ising model from limited sampling. A The magnetization is plotted for samples of a $32\times 32$ square Ising model generated through MC sampling (orange) and the thermodynamic map (blue). The thermodynamic map predicts change in magnetization at $T