[論文レビュー] Variational Coarse-Graining for Molecular Dynamics

Wujie Wang, Rafael Gómez‐Bombarelli|arXiv (Cornell University)|Dec 6, 2018

Machine Learning in Materials Science被引用数 3

ひとこと要約

本稿では、自己符号化器と力一致を用いて粗粒度化マッピングとポテンシャルエネルギー関数を共同で最適化するエンドツーエンドのディープラーニングフレームワーク、Autograinを紹介する。これにより、物理的意味のある粗粒度変数とハミルトニアンの自動的で微分可能な学習が可能となり、単一分子や周期的バルク相を含むモデル系において、高精度な長時間スケールのシミュレーションが達成される。

ABSTRACT

Molecular dynamics simulations provide theoretical insight into the microscopic behavior of materials in condensed phase and, as a predictive tool, enable computational design of new compounds. However, because of the large temporal and spatial scales involved in thermodynamic and kinetic phenomena in materials, atomistic simulations are often computationally unfeasible. Coarse-graining methods allow simulating larger systems, by reducing the dimensionality of the simulation, and propagating longer timesteps, by averaging out fast motions. Coarse-graining involves two coupled learning problems; defining the mapping from an all-atom to a reduced representation, and parametrizing a Hamiltonian over coarse-grained coordinates. Multiple statistical mechanics approaches have addressed the latter, but the former is generally a hand-tuned process based on chemical intuition. Here we present Autograin, an optimization framework based on auto-encoders to learn both tasks simultaneously. Autograin automatically learns the optimal mapping between all-atom and reduced representation, using the reconstruction loss to facilitate the learning of coarse-grained variables. In addition, a force-matching method is applied to variationally determine the coarse-grained potential energy function. This procedure is tested on a number of model systems including single-molecule and bulk-phase periodic simulations.

研究の動機と目的

• 熱力学的および運動論的時間スケールにおける原子的分子動力学シミュレーションの計算的非現実性に対処すること。
• 従来の粗粒度化手法に依存する手動で調整された化学的に直感的なマッピングを克服すること。
• 粗粒度変数とその対応するポテンシャルエネルギー関数を共同で学習する統合的で微分可能なフレームワークを構築すること。
• 自動的で変分的粗粒度化を通じて、凝縮相材料の高精度で長時間スケールのシミュレーションを可能にすること。

提案手法

• すべての原子から粗粒度配置への微分可能な非線形マッピングを学習するための自己符号化器アーキテクチャを用いる。
• 再構成損失を最小化することで、粗粒度表現がすべての原子系の本質的構造的および動的特徴を保持することを保証する。
• 変分的力一致法を適用し、粗粒度力とすべての原子力の差を最小化することで、粗粒度ポテンシャルエネルギー関数を学習する。
• 計算グラフ全体を逆誤差伝搬により同時にマッピングとポテンシャルを最適化する。
• 単一分子系および周期的バルク系を含む、複雑な相互作用や長い緩和時間を持つ系においてフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドのディープラーニングフレームワークは、手動で調整された手法よりも、粗粒度変数とポテンシャルエネルギー関数をより効果的に同時に最適化できるか？
• RQ2 自己符号化器に基づく表現は、多様な分子環境下で、すべての原子系の物理的および構造的特徴をどの程度正確に保持できるか？
• RQ3 変分的力一致法は、標準的手法と比較して、粗粒度力予測の精度をどの程度向上させるか？
• RQ4 このフレームワークは、周期的バルク相のような複雑な系においても、安定的かつ高精度な長時間スケールのシミュレーションを可能にするか？

主な発見

• Autograinは、化学的直感に依存せずに物理的に意味のある粗粒度変数を学習できており、再構成の忠実度と物理的一致性からその有効性が裏付けられている。
• 変分的力一致により、高精度な力予測が達成され、分子動力学エンジンへの安定した統合が可能になった。
• 学習された粗粒度モデルを用いたシミュレーションは、元のすべての原子系の長時間スケールの動的挙動および構造的性質を再現した。
• 本手法は、単一分子系および周期的バルク相を含む多様な系においてロバストであり、異なる物質タイプにおいて一貫した性能を示した。