[논문 리뷰] Adversarial reverse mapping of condensed-phase molecular structures: Chemical transferability

Marc Stieffenhofer, Tristan Bereau외 1명|arXiv (Cornell University)|2021. 01. 13.

Machine Learning in Materials Science참고 문헌 30인용 수 28

한 줄 요약

이 논문은 조밀한 상 분자의 구조를 뒤집어보는 데서 화학적 이식성을 가능하게 하는 조건부 생성 적대적 네트워크인 deepBackmap(DBM)을 소개한다. 오кт인과 큐멘의 소분자 액체 데이터만으로 훈련함으로써, 시ンド리오타틱 폴리스티렌(sPS)과 같은 복잡한 고분자의 고해상도 원자 구조를 성공적으로 재구성하였다. 이는 거의 동일한 쌍 상관 함수와 정확한 Lennard-Jones 에너지 분포를 달성하여, 화학적 격리가 적은 상황에서도 강력한 일반화 능력을 보여주었다.

ABSTRACT

Switching between different levels of resolution is essential for multiscale modeling, but restoring details at higher resolution remains challenging. In our previous study we have introduced deepBackmap: a deep neural-network-based approach to reverse-map equilibrated molecular structures for condensed-phase systems. Our method combines data-driven and physics-based aspects, leading to high-quality reconstructed structures. In this work, we expand the scope of our model and examine its chemical transferability. To this end, we train deepBackmap solely on homogeneous molecular liquids of small molecules, and apply it to a more challenging polymer melt. We augment the generator's objective with different force-field-based terms as prior to regularize the results. The best performing physical prior depends on whether we train for a specific chemistry, or transfer our model. Our local environment representation combined with the sequential reconstruction of fine-grained structures help reach transferability of the learned correlations.

연구 동기 및 목표

• 기계학습 기반 분자 시스템의 뒤집어보기(backmapping)에서 화학적 이식성의 특성을 조사하기 위해.
• 간단한 액체에서 학습한 局부 상관관계가 시ンド리오타틱 폴리스티렌(sPS)과 같은 복잡한 고분자로 일반화되는지 평가하기 위해.
• 물리 기반 사전 지식(prior)이 모델 성능과 이식성에 미치는 영향을 평가하기 위해.
• 조밀한 상 시스템의 고해상도 재구성에 적합한 확장 가능한, 순차적 생성 기반의 딥러닝 프레임워크를 개발하기 위해.

제안 방법

• 오кт인과 큐멘 액체의 군집화된(CG) 구조에 대해 조건부 생성 적대적 네트워크(cGAN)를 훈련시켰다.
• 다중 채널 특징을 포함한 벽자리 기반 3차원 표현을 사용하여 분자의 구조적 위상과 공간적 관계를 인코딩하였다.
• 지역 환경의 맥락에 기반해 원자를 순차적으로 재구성하는 순차적 생성 전략을 구현하였다.
• 생성자 손실에 물리 기반 사전 지식를 통합: 에너지 최소화 사전 지식(p1)과 에너지 일치 사전 지식(p2).
• 이식성에 핵심적인 짧은 거리 상호작용을 포착하기 위해 지역 환경 표현을 사용하였다.
• 구성공간 커버리지와 구조적 정밀도 평가를 위해 저차원 투영에 대한 k-means 군집화와 혼동 행렬을 활용하였다.

실험 결과

연구 질문

• RQ1 소분자 액체에서 훈련된 딥러닝 모델이 재학습 없이 복잡한 고분자 액체를 이식 가능한 방식으로 뒤집어보기(backmap)할 수 있는가?
• RQ2 다양한 물리 기반 사전 지식가 구조의 품질과 이식성에 어떤 영향을 미치는가?
• RQ3 소분자 내 국소 원자 환경이 더 큰, 화학적으로 다를 수 있는 시스템으로 이식되는 정도는 어느 정도인가?
• RQ4 순차적 생성 및 국소 환경 기반 아키텍처가 이식된 시스템에서 통계적 및 에너지적 특성을 유지하는가?
• RQ5 모델이 목표 시스템에서 핵심적인 구조적 및 에너지 분포(예: 쌍 상관 함수, Lennard-Jones 에너지)를 얼마나 잘 재현하는가?

주요 결과

• 오кт인과 큐멘에서 훈련된 모델은 기준값과 거의 동일한 쌍 상관 함수를 보이며 sPS를 성공적으로 뒤집어보기(backmapped)하여 높은 구조적 정밀도를 나타냈다.
• 뒤집어보기 후 sPS의 Lennard-Jones 에너지 분포는 기준값과 매우 유사했으며, 최소한의 편차를 보였다.
• 혼동 행렬 분석 결과, 군집 할당이 완벽하게 일치하지는 않았지만, 구성공간 군집의 상대적 분포는 잘 재현되어 정확한 통계적 샘플링을 보여주었다.
• 에너지 최소화 사전 지식(p1)은 화학적으로 이식된 설정에서 가장 높은 품질의 구조를 생성했지만, sPS에서 훈련할 경우 비현실적으로 낮은 에너지를 유도했다.
• 에너지 일치 사전 지식(p2)과 사전 지식 없이 훈련한 경우의 성능은 유사했으며, 이는 물리 기반 사전 지식 없이도 데이터 기반 학습이 이식성에 충분할 수 있음을 시사했다.
• 모델은 페닐 고리의 고리 구조가 고리 뼈대에 비해 방향성에 민감한 특성과 같은 장거리 또는 방향성 특징을 다루는 데 어려움을 겪었으며, 이는 복잡한 공간적 및 전자적 효과의 일반화에 한계가 있음을 보여주었다.