[論文レビュー] Learning Mappings between Equilibrium States of Liquid Systems Using Normalizing Flows

Alessandro Coretti, Sebastian Falkner+2 more|arXiv (Cornell University)|Aug 22, 2022

Protein Structure and Dynamics被引用数 5

ひとこと要約

本稿では、液体系の平衡状態間の可逆写像を正規化フローを用いて学習することを提案し、再重み付けを介して片方の系からもう片方の系の偏りのないサンプリングを可能にしている。この手法は、異なる熱力学的状態にあるレナードジョーンズ液体および反発的粒子系の間で有効に機能し、生成されたサンプルが再重み付けされることで正確な平衡分布を最小限のバイアスで回復できることを示している。

ABSTRACT

Generative models are a promising tool to address the sampling problem in multi-body and condensed-matter systems in the framework of statistical mechanics. In this work, we show that normalizing flows can be used to learn a transformation to map different liquid systems into each other allowing at the same time to obtain an unbiased equilibrium distribution through a reweighting process. Two proof-of-principles calculations are presented for the transformation between Lennard-Jones systems of particles with different depths of the potential well and for the transformation between a Lennard-Jones and a system of repulsive particles. In both numerical experiments, systems are in the liquid state. In future applications, this approach could lead to efficient methods to simulate liquid systems at ab-initio accuracy with the computational cost of less accurate models, such as force field or coarse-grained simulations.

研究の動機と目的

• 統計力学における液体系の平衡状態間の可逆写像を学習する機械学習的手法を開発すること。
• 正規化フローと再重み付け技術を用いて、ある液体系から別の液体系への偏りのないサンプリングを可能にすること。
• 低精度のモデル（例：力場）から高精度の系へ知識を転送することで、計算コストを低減すること。
• 無秩序で液体相においてもボルツマン分布間のマッピングが可能であることを示すこと。
• 2つの概念的実証系（異なる井戸深さを持つレナードジョーンズ流体、およびレナードジョーンズ対反発的粒子）を用いて手法の妥当性を検証すること。

提案手法

• 本手法は、可逆で微分可能な変換を持つ深層ニューラルネットワークである正規化フローを用い、2つの液体系AとBの平衡配置間の写像Φを学習する。
• 変換Φは、系Aのボルツマン分布からのサンプルを系Bの分布へ写像し、ヤコビアン行列式を介して確率を保存する：ρ_B(x_B) = ρ_A(x_A)|det J(x_A)|⁻¹。
• 8段のスタックされたブロックと交互にマスクを適用するreal-NVPアーキテクチャを用い、各ブロックは入力次元の半分に対して学習可能なスケーリングおよびトランスレーション関数を適用する。
• 訓練は、直接的および逆方向の整合性項を組み合わせた損失関数を用い、第二段階の訓練ではλ_dir = 1およびλ_inv = 1とする。
• 訓練の安定性を確保するため、r* < 0.8の近傍でポテンシャルエネルギーをクリAMPし、線形化することで粒子の重なりを防ぎ、滑らかな勾配を保証する。
• 物理的整合性を維持するため、配置は周期的境界条件でラップされ、入力データにはソースおよびターゲット系の基準配置を用いて主成分分析（PCA）を適用し、訓練効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 正規化フローは、2つの異なる液体系の平衡配置間で可逆変換を学習できるか？
• RQ2 このような変換によって生成されたサンプルは、再重み付けによってターゲット系の平衡分布の偏りのない推定が可能か？
• RQ3 構造的秩序が欠如する無秩序な液体相においても、この手法は有効に機能するか？
• RQ4 ターゲット分布からの直接的なサンプルが得られない状況でも、ポテンシャルエネルギー関数のみを用いてマッピングを訓練できるか？
• RQ5 基準配置とPCAを用いた物理的インフォームド事前分布の導入が、訓練の安定性および性能にどのように影響するか？

主な発見

• 異なる井戸深さを持つレナードジョーンズ系間のマッピングにおいて、変換後の配置が高精度で再現された。
• レナードジョーンズ系から反発的粒子系へのマッピングにおいて、モデルはターゲット系のエネルギー分布と整合的な物理的に妥当な配置を生成した。
• 訓練中、基準データの1st–99thエネルギー百分位数内に含まれる生成サンプルの割合が90%を超えた。これは、関連する領域の効果的なサンプリングを示している。
• 生成サンプルの再重み付けにより、熱力学的性質の偏りのない推定が得られ、変換の有効性が確認された。
• 逆方向損失の計算に連続的なMCMCサンプリングを用いても、訓練プロセスは安定的かつ効率的であり、大規模な独立初期プールの必要がなかった。
• 基準配置を用いたPCAの適用により、訓練収束と性能が向上し、物理的構造を事前分布に組み込む利点が顕著に示された。