[論文レビュー] OpenMM 8: Molecular Dynamics Simulation with Machine Learning Potentials

Peter Eastman, Raimondas Galvelis+23 more|arXiv (Cornell University)|Oct 4, 2023

Machine Learning in Materials Science被引用数 20

ひとこと要約

OpenMM 8 は、任意の PyTorch モデルを統合して力とエネルギーを計算することで機械学習ポテンシャルをサポートに追加し、より高レベルなインターフェースと最適化された CUDA カーネルを備え、CDK8 と水中の GFP でデモンストレーションされています。

ABSTRACT

Machine learning plays an important and growing role in molecular simulation. The newest version of the OpenMM molecular dynamics toolkit introduces new features to support the use of machine learning potentials. Arbitrary PyTorch models can be added to a simulation and used to compute forces and energy. A higher-level interface allows users to easily model their molecules of interest with general purpose, pretrained potential functions. A collection of optimized CUDA kernels and custom PyTorch operations greatly improves the speed of simulations. We demonstrate these features on simulations of cyclin-dependent kinase 8 (CDK8) and the green fluorescent protein (GFP) chromophore in water. Taken together, these features make it practical to use machine learning to improve the accuracy of simulations at only a modest increase in cost.

研究の動機と目的

• OpenMM MD ツールキットへ機械学習ポテンシャルを導入する。
• 任意の PyTorch モデルがシミュレーション内で力とエネルギーを計算できるようにする。
• 事前学習済み ML ポテンシャルを用いて分子をモデリングするための高レベルなインターフェースを提供する。
• 最適化された CUDA カーネルとカスタム PyTorch 操作で性能を向上させる。

提案手法

• 任意の PyTorch モデルを OpenMM のシミュレーションに統合して力とエネルギーを計算する。
• 事前学習済みポテンシャルを用いて分子をモデリングするための高レベルなインターフェースを提供する。
• シミュレーションを高速化するために最適化された CUDA カーネルとカスタム PyTorch 操作を実装する。
• 実際の系（CDK8 キナーゼと水中の GFP クロモフォア）での使いやすさと性能を実証する。

実験結果

リサーチクエスチョン

• RQ1 MD 期間中に任意の PyTorch モデルをどのようにして OpenMM に統合して力とエネルギーを計算させることができるか？
• RQ2 OpenMM 内の MD シミュレーションの精度に対する ML ポテンシャルの影響はどの程度か？
• RQ3 最適化された CUDA カーネルとカスタム PyTorch 操作を使用して達成可能な性能向上はどのくらいか？
• RQ4 CDK8 や水中の GFP のような特定の生体分子系をモデリングする際の ML ベースのポテンシャルの実用性はどの程度か？

主な発見

• ML ポテンシャルは PyTorch モデルを介して力とエネルギーを計算するために OpenMM に統合できる。
• 高レベルのインターフェースにより、事前学習済み ML ポテンシャルを分子モデリングに容易に使用できる。
• 最適化された CUDA カーネルとカスタム PyTorch 操作は、シミュレーションを大幅に高速化する。
• 水中の CDK8 および GFP でのデモンストレーションは、ML ポテンシャルの実用的なコスト/精度メリットを示している。