[論文レビュー] Reinforced dynamics of large atomic and molecular systems

Linfeng Zhang, Han Wang+1 more|arXiv (Cornell University)|Dec 10, 2017

Protein Structure and Dynamics被引用数 1

ひとこと要約

本論文では、メタダイナミクスとディープラーニングを組み合わせることで、大規模な原子および分子系における構成空間の効率的探索と自由エネルギーの計算のための新規手法を提案する。神経ネットワークを用いて収集された探索データからリアルタイムでバイアスポテンシャルを学習し、アラニンジペプチドおよびトリペプチドのフルアトム・エキスプレス溶媒シミュレーションにおいて有望な結果を示している。

ABSTRACT

A new approach for efficiently exploring the configuration space and computing the free energy of large atomic and molecular systems is proposed, motivated by an analogy with reinforcement learning. There are two major components in this new approach. Like metadynamics, it allows for an efficient exploration of the configuration space by adding an adaptively computed biasing potential to the original dynamics. Like deep reinforcement learning, this biasing potential is trained on the fly using deep neural networks, with data collected judiciously from the exploration. Applications to the full-atom, explicit solvent models of alanine dipeptide and tripeptide show some of promise for this new approach.

研究の動機と目的

• 大規模な原子および分子系における高次元の構成空間を効率的にサンプリングする課題に対処すること。
• 明示的溶媒モデルを用いた複雑なバイオ分子系における自由エネルギー計算を改善すること。
• メタダイナミクスとディープラーニングの長所を組み合わせ、適応的サンプリングを実現する手法を開発すること。
• 探索プロセス中に収集されたデータを用いて、バイアスポテンシャルをリアルタイムで学習可能にする仕組みを実現すること。

提案手法

• 本手法は、シミュレーション中に動的に更新される適応的バイアスポテンシャルを採用する。
• バイアスポテンシャルは、システムの探索から収集されたデータを用いて、リアルタイムでトレーニングされたディープニューラルネットワークによって学習される。
• アプローチは強化学習にインspiredされており、ネットワークが未探索領域へ向かってサンプリングを誘導するように学習する。
• システムの力学は、ニューラルネットワークで計算されたバイアスを元のポテンシャルエネルギー面に加えることで変更される。
• 有効な探索を確保するため、シミュレーション中にきめ細かくデータを収集する。
• 局所的極小値に閉じ込められるのを防ぎ、サンプリング効率を向上させるために、メタダイナミクスの原則を統合する。

実験結果

リサーチクエスチョン

• RQ1 強化学習にインspiredされたアプローチは、大規模バイオ分子系における構成空間探索の効率を向上させることができるか？
• RQ2 ディープニューラルネットワークは、リアルタイムでバイアスを学習し、自由エネルギー計算の効率を向上させることができるか？
• RQ3 このハイブリッド手法は、明示的溶媒を有する複雑な系において、従来のメタダイナミクスを上回る性能を示せるか？
• RQ4 本手法は、アラニンジペプチドおよびトリペプチドのフルアトムシミュレーションにおいて、どの程度の性能を示すか？

主な発見

• 提案手法は、大規模な原子および分子系における構成空間の効率的探索を可能にする。
• リアルタイムでバイアスポテンシャルを学習するディープニューラルネットワークの使用により、サンプリング効率が向上する。
• 本手法は、アラニンジペプチドおよびトリペプチドのフルアトム・エキスプレス溶媒モデルにおける自由エネルギー計算に成功している。
• 予備的な結果は、本アプローチが複雑なバイオ分子系において有望であることを示唆している。
• 強化学習の原則とメタダイナミクスの統合により、適応的かつデータ駆動型のバイアスが実現される。
• 本手法は、バイオ分子系における自由エネルギー計算への広範な応用の可能性を示している。