[논문 리뷰] Artificial Intelligence Assists Discovery of Reaction Coordinates and Mechanisms from Molecular Dynamics Simulations

Hendrik Jung, Roberto Covino외 1명|arXiv (Cornell University)|2019. 01. 14.

Gaussian Processes and Bayesian Inference참고 문헌 2인용 수 39

한 줄 요약

본 논문은 적응 샘플링, 신경망, 심볼릭 회귀를 활용하여 샘핑을 안내하고 MD 시뮬레이션에서 분자 기전을 추출하는 AI 보조 프레임워크를 제시하여 반응 좌표를 밝힌다. 이는 해석 가능성과 alanine dipeptide 및 LiCl 같은 모델 시스템에의 적용 가능성을 입증한다.

ABSTRACT

Exascale computing holds great opportunities for molecular dynamics (MD) simulations. However, to take full advantage of the new possibilities, we must learn how to focus computational power on the discovery of complex molecular mechanisms, and how to extract them from enormous amounts of data. Both aspects still rely heavily on human experts, which becomes a serious bottleneck when a large number of parallel simulations have to be orchestrated to take full advantage of the available computing power. Here, we use artificial intelligence (AI) both to guide the sampling and to extract the relevant mechanistic information. We combine advanced sampling schemes with statistical inference, artificial neural networks, and deep learning to discover molecular mechanisms from MD simulations. Our framework adaptively and autonomously initializes simulations and learns the sampled mechanism, and is thus suitable for massively parallel computing architectures. We propose practical solutions to make the neural networks interpretable, as illustrated in applications to molecular systems.

연구 동기 및 목표

• 메커니즘 발견의 인간 병목 현상을 줄여 엑사스케일 MD를 촉진한다.
• 대규모 병렬 컴퓨팅을 위해 시뮬레이션을 자율적으로 초기화하고 샘플링된 메커니즘을 학습하는 AI 프레임워크를 개발한다.
• 고급 샘플링, 통계적 추론, 신경망, 그리고 심볼릭 회귀를 결합하여 해석 가능한 반응 좌표를 식별한다.
• MD 맥락에서 신경망 해석 가능성을 높이기 위한 실용적 접근법을 제시한다.

제안 방법

• Metropolis-Hastings 수용으로 전이 경로 샘플링을 이용해 샷 구성을 안내한다.
• 알 수 없는 반응 좌표 q(x)를 Eq. (3)와 같이 심층 신경망으로 표현한다.
• ANN을 학습시켜 반응 좌표를 정의하는 관련 입력 좌표를 식별한다.
• 학습된 ANN을 명시적 표현으로 근사하기 위해 미분 가능 카르테시안 유전 프로그래밍(심볼릭 회귀)을 적용한다.
• 심볼릭 회귀 중 모델 복잡도를 제어하고 과적합을 피하기 위해 규제항을 도입한다.
• 분자 시스템에서 해석 가능한 반응 좌표 표현을 입증한다.

실험 결과

연구 질문

• RQ1 AI-가이드 샘플링이 MD 시뮬레이션에서 전이 경로 생성과 수렴을 어떻게 가속화할 수 있는가?
• RQ2 다른 시스템에서 어떤 입력 좌표가 반응 좌표를 가장 강하게 정의하는가?
• RQ3 심볼릭 회귀가 신경망으로 도출된 반응 좌표를 근사하는 간결하고 해석 가능한 표현식을 제공할 수 있는가?
• RQ4 표준 TPS와 비교할 때 alanine dipeptide 및 LiCl와 같은 모델 시스템에서 AI 프레임워크의 성능은 어떠한가?
• RQ5 이 MD 맥 context에서 신경망 해석 가능성을 보장하기 위한 실용적 전략은 무엇인가?

주요 결과

• 실험에서 AI-보조 MD는 표준 TPS에 비해 누적 생성과 전이 경로의 수용성을 증가시킨다(테스트 실행에서 alanine dipeptide, LiCl).
• 이 프레임워크는 장기 대조 TPS 기준선에 비해 TP 시간 수렴을 가속화한다.
• 입력 관련성 분석은 반응 좌표를 지배적으로 정의하는 소수의 좌표 세트를 식별한다(예: alanine dipeptide의 특정 이각(dihedral) 성분).
• 심볼릭 회귀는 규제 하에서 ANN 유도 반응 좌표를 밀접하게 근사하는 간결한 표현식을 제공한다.
• 모형 시스템은 해석 가능한 q(x) 표현이 회복될 수 있음을 보여주며, 예를 들어 이각 항 및 로지스틱/ln 구성요소를 포함하는 q_SR 표현식이 있다.
• 이 방법은 대규모 병렬 컴퓨팅 아키텍처에 적합한 자율 초기화 및 학습을 지원한다.