[論文レビュー] Learning Hamiltonian Flow Maps: Mean Flow Consistency for Large-Timestep Molecular Dynamics

Winfried Ripken, Michael Plainer+6 more|arXiv (Cornell University)|Jan 29, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

大規模タイムステップ分子動力学を可能にするため、軌跡生成なしの平均場整合性目的で訓練されたハミルトン流写像を導入し、第一原理データを用いて安定した大きなタイムステップを実現する。

ABSTRACT

Simulating the long-time evolution of Hamiltonian systems is limited by the small timesteps required for stable numerical integration. To overcome this constraint, we introduce a framework to learn Hamiltonian Flow Maps by predicting the mean phase-space evolution over a chosen time span, enabling stable large-timestep updates far beyond the stability limits of classical integrators. To this end, we impose a Mean Flow consistency condition for time-averaged Hamiltonian dynamics. Unlike prior approaches, this allows training on independent phase-space samples without access to future states, avoiding expensive trajectory generation. Validated across diverse Hamiltonian systems, our method in particular improves upon molecular dynamics simulations using machine-learned force fields (MLFF). Our models maintain comparable training and inference cost, but support significantly larger integration timesteps while trained directly on widely-available trajectory-free MLFF datasets.

研究の動機と目的

• 長時間のハミルトン動力学における計算コスト削減を実現し、大きなタイムステップのシミュレーションを可能にする。
• 学習したハミルトン流写像のために平均場整合性に基づく軌跡なし訓練目的を提案する。
• 軌跡生成や教師モデルなしで標準のMLFFデータセット上で直接訓練を可能にする。
• 物理的制約を保持しつつ、多様な系にわたって安定で正確な大タイムステップMDロールアウトを示す。

提案手法

• 位相空間状態をΔtの時間間隔で進めるハミルトン流写像をモデル化する。
• 開始点条件付きの平均変位場を、[t, t+Δt]の間の時間平均速度と力として定義する。
• 平均変位を微分して軌跡なしの整合式を導出し、瞬時ダイナミクスと一致させる。
• 瞬時力と時間整合項（Mean Flow）を組み合わせた損失を用いて、平均変位を予測するニューラルネットワークを訓練する。
• 学習した平均変位にΔtを掛け、現在の状態を加えることで完全なハミルトン流写像を再現する。
• 効率的な損失評価のためにヤコビアン・ベクトル積を用い、停止勾配ターゲットを使って計算オーバーヘッドを削減する。
• 推論時にはエネルギー・角運動量保存、並進運動の除去、ランダム回転によるフィルタを適用してロールアウトを安定化させる。

Figure 1 : Hamiltonian Flow Maps (HFMs) for large timesteps in phase space. Top row : Existing approaches rely on trajectory data, typically generated using a teacher MLFF through sequential simulation with small timesteps. While this enables training large-timestep models via direct regression, the

実験結果

リサーチクエスチョン

• RQ1 軌跡なしの平均場整合性目的で、瞬時の力と位置データから正確な大タイムステップのハミルトン流写像を学習できるか。
• RQ2 軌跡生成なしでデコレ準化されたMLFFデータセット上の訓練が、物理量 observable を保持しつつ、さまざまな系で安定した大タイムステップMDロールアウトを可能にするか。
• RQ3 learned flow map は、古典的な積分法（例：Velocity Verlet）と比較して大きなタイムステップでどのような性能を示すか（単一粒子、N体、分子系）。
• RQ4 単一モデル内で瞬時力と時間平均ダイナミクスの両方を回復できるか。
• RQ5 異なる分子系でのアプローチのデータ効率と安定性の限界はどうなるか。

主な発見

• HFMsは、標準MLFFの安定性限界を大幅に超えるタイムステップで安定したロールアウトを実現する。
• デコレlated瞬時データで訓練されたHFMsは、小さなタイムステップでMLFFベースラインと競合し、より大きなタイムステップではそれを上回る。
• 4つの分子ケース（アスピリン、エタノール、ナフタレン、サリチル酸）ではHFMsはΔt = 9 fsまで精度を維持し、1 fsではMAEがMLFFと同等かそれより良く、9 fsまで徐々に増加しつつ安定。
• パラセタモールのRamachandranプロットから、NVEシミュレーションでHFMsはVVベースのベースラインより構形空間を速く探索する。
• NVTシミュレーションでHFMsは構造統計（h(r) MAE）を正確に再現し、時間的観測量（パワースペクトル）も合理的。
• アラニンジペプチドでは、Δtmax ≈ 15 fsで、Δt ≈ 12 fsにおいて正確な自由エネルギー表面を生成し、複雑な準安定系へ拡張可能性を示す。

Figure 2 : HFMs vs. classical integration: Symplectic integrators such as Velocity Verlet (VV) advance the system through many local half-steps (left). HFMs instead predict the phase-space displacement over the interval directly (right). By modeling the mean velocity and force $(\bar{{{\bm{v}}}},\ba