[論文レビュー] Simulating Molecular Dynamics with Large Timesteps using Recurrent Neural Networks

JCS Kadupitiya, Geoffrey Fox+1 more|arXiv (Cornell University)|Apr 12, 2020

Model Reduction and Neural Networks被引用数 9

ひとこと要約

この論文では、標準的な Verlet 積分法に比べて最大 4,000 倍の大きな時間ステップを用いて分子動力学を学習的にシミュレートできる、再帰的ニューラルネットワーク（RNN）ベースの積分法を提案する。高精度な Verlet 軌道で学習させた RNN は、多様な力場において小規模な 3D システムで最大 32,000 倍の高速化を達成し、明示的な力の評価なしに長時間にわたる正確な動的挙動予測が可能となる。

ABSTRACT

Molecular dynamics simulations rely on numerical integrators such as Verlet to solve the Newton's equations of motion. Using a sufficiently small timestep to avoid discretization errors, Verlet integrators generate a trajectory of particle positions as solutions to the equations of motions. We introduce an integrator based on recurrent neural networks that is trained on trajectories generated using Verlet integrator and learns to propagate the dynamics of particles with timestep up to 4000 times larger compared to the Verlet timestep. We demonstrate significant net speedup of up to 32000 for few-particle (1 - 16) 3D systems and over a variety of force fields.

研究の動機と目的

• 標準的な積分法（例：Verlet）が要求する小さな時間ステップに起因する分子動力学シミュレーションの計算ボトルネックを克服すること。
• 従来の手法よりも著しく大きな時間ステップで正確に粒子の運動を発展させることのできる学習ベースの積分法を開発すること。
• さまざまな力場や系のサイズにおいて、精度を維持したままシミュレーション時間を大幅に短縮すること。
• 高精度な Verlet 軌道を用いて RNN を学習させ、分子系の内在する動的挙動を学習すること。

提案手法

• 小さな時間ステップを用いて Verlet 積分法で生成された軌道を用いて、再帰的ニューラルネットワーク（RNN）を学習させ、粒子の位置の時間的変化を学習する。
• RNN を微分可能で動的モデルとして用い、現在の粒子の位置と速度から次ステップの位置を直接予測することで、明示的な力の計算を回避する。
• RNN が粒子状態の系列を処理し、大きな時間ステップで将来の状態を予測できる、系列から系列への学習フレームワークを採用する。
• 長時間にわたる時間領域における粒子位置の予測誤差を最小化する損失関数を用いて RNN を最適化する。
• 学習済みの RNN を用いて、Verlet の時間ステップの最大 4,000 倍の大きな時間ステップでシミュレーションを実行し、高速化を実現する。
• 複数の 3D システム（1〜16 粒子）および力場を用いて性能を評価し、一般化性能と高速化効果を検証する。

実験結果

リサーチクエスチョン

• RQ1 再帰的ニューラルネットワークは、標準的な Verlet 積分法に比べて著しく大きな時間ステップで分子動力学を学習的にシミュレートできるか？
• RQ2 従来の積分法に学習ベースの RNN ベースの代替手法を適用することで、どの程度の高速化が達成できるか？
• RQ3 RNN は、力場や系のサイズが異なる状況において、精度と安定性の観点でどの程度一般化できるか？
• RQ4 学習済みの RNN は、参照となる Verlet 軌道と比較して、長期間にわたる動的挙動をどの程度正確に保持できるか？

主な発見

• RNN ベースの積分法は、Verlet 積分法と比較して、少数粒子（1〜16 個）の 3D システムで最大 32,000 倍のネット速度向上を達成した。
• Verlet の時間ステップの最大 4,000 倍の大きな時間ステップを用いても、高い精度を維持したままシミュレーションが可能である。
• Lennard-Jones 力場、調和力場、さらにはより複雑なポテンシャルを含む多様な力場に一般化可能である。
• 大きな時間ステップを用いても、長時間にわたるシミュレーションにおいて、動的挙動が安定的かつ正確に再現された。
• 推論時に明示的な力の評価を一切行わず、計算コストを顕著に削減できた。