[논문 리뷰] Boltzmann Generators -- Sampling Equilibrium States of Many-Body Systems with Deep Learning

Frank Noé, Simon Olsson외 2명|arXiv (Cornell University)|2018. 12. 04.

Protein Structure and Dynamics참고 문헌 2인용 수 67

한 줄 요약

논문은 Boltzmann Generators를 소개합니다, 복잡한 구성을 공간으로 매핑하는 가역 신경망으로 효율적인 한 번 샘플링 Boltzmann 유사 분포를 가능하게 하여 자유 에너지 계산과 미리 정의된 반응 좌표 없이 새로운 상태의 발견을 가능하게 합니다.

ABSTRACT

Computing equilibrium states in condensed-matter many-body systems, such as solvated proteins, is a long-standing challenge. Lacking methods for generating statistically independent equilibrium samples in "one shot", vast computational effort is invested for simulating these system in small steps, e.g., using Molecular Dynamics. Combining deep learning and statistical mechanics, we here develop Boltzmann Generators, that are shown to generate unbiased one-shot equilibrium samples of representative condensed matter systems and proteins. Boltzmann Generators use neural networks to learn a coordinate transformation of the complex configurational equilibrium distribution to a distribution that can be easily sampled. Accurate computation of free energy differences and discovery of new configurations are demonstrated, providing a statistical mechanics tool that can avoid rare events during sampling without prior knowledge of reaction coordinates.

연구 동기 및 목표

• 밀집한 다체 시스템과 단백질의 샘플링 도전 과제를 동기화합니다.
• 구성(configuration)을 샘플링하기 쉬운 잠재 공간으로 매핑하기 위한 신경망 기반 좌표 변환을 제안합니다.
• 에너지(KL 손실)와 예시(최대가능도)로 변환을 학습하여 모드 붕괴를 피합니다.
• 모형 시스템과 실제 단백질에 걸친 편향되지 않은 샘플링과 자유 에너지 계산을 보이며, 단절 상태를 포함합니다.

제안 방법

• 가우시안 선험 분포에서의 잠재 표본 z를 볼츠만 가중치를 가지는 구성 x로 변환하기 위해 역가 가능 신경망 F_zx를 학습합니다.
• 생성 분포와 Boltzmann 분포 간의 KL 발산을 J_KL = E_z[u(F_zx(z)) - log R_zx(z)]로 최소화합니다. 여기서 R_zx는 야코비안 결정식.
• 에너지 기반 학습(KL)과 예시 기반 학습(ML)을 사용하여 저에너지 상태 샘플링과 엔트로피 유지를 균형 있게 수행합니다.
• 선택한 좌표를 따라 샘플링을 강화하기 위해 반응 좌표 손실을 선택적으로 포함할 수 있습니다.
• 생성된 샘플을 Boltzmann 분포로 재가중하여 열역학 관측치를 계산합니다.

실험 결과

연구 질문

• RQ1 사전 정의된 반응 좌표 없이도 신경망이 Boltzmann 분포에서 편향되지 않은 한 번 샘플을 생성하는 좌표 변환을 학습할 수 있을까?
• RQ2 높은 차원의 준안정 상태에서 Boltzmann Generators가 자유에너지 차이를 재현하고 전이 상태를 샘플링하는 능력은 어느 정도인가?
• RQ3 잠재 공간 표현이 구성 공간의 탐색을 촉진하고 새로운 준안정 상태의 샘플링을 가능하게 할 수 있을까?
• RQ4 복잡한 분자와 분리된 상태로 확장하고 광범위한 MD 없이 온도 의존 자유 에너지를 계산하는 것이 가능할까?

주요 결과

• Boltzmann Generators는 재가중화 후 Boltzmann 통계를 재현하는 편향되지 않은 한 번 샘플을 생성합니다.
• 에너지 기반 학습과 예시 기반 학습을 병행하면 모드 붕괴를 방지하고 모형 시스템에서 정확한 자유 에너지 차이를 얻습니다.
• 상태 간의 잠재 공간 보간은 물리적으로 의미 있는 저에너지 경로를 생성합니다.
• BPTI와 같은 복잡한 분자의 경우 이 방법이 모든 원자 구조를 샘플링하고 재가중 지원으로 실제 결합/각 분포를 재현할 수 있습니다.
• 단절된 상태에 대해 다중 Boltzmann Generators를 사용하면 사전 정의된 반응 좌표 없이도 직접적인 자유 에너지 차이를 얻을 수 있으며, brute-force MD 및 우산 샘플링에 비해 상당한 속도 향상을 얻습니다.
• 잠재 공간 탐색 접근 방식과 잠재 공간 내 Metropolis Monte Carlo의 결합은 새로운 상태와 전이의 발견을 가속합니다.