[논문 리뷰] Deep Learning Based Integrators for Solving Newton's Equations with Large Timesteps

JCS Kadupitiya, Geoffrey Fox외 1명|arXiv (Cornell University)|2020. 01. 01.

Model Reduction and Neural Networks참고 문헌 46인용 수 6

한 줄 요약

이 논문은 버렛 방법에서 유도된 궤적을 사용하여 뉴턴의 운동 방정식을 시뮬레이션하는 데 학습하는 딥러닝 기반 통합기를 제안한다. 이는 기존 버렛 방법 대비 최대 4,000배 큰 시간 간격을 허용하며, 다양한 힘 장영역에서 소형 3D 분자 시스템에 대해 최대 32,000배의 순속도 향상을 달성한다.

ABSTRACT

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

연구 동기 및 목표

• 분자 동역학 시뮬레이션에서 계산 비용을 줄이는 신경망 기반 통합기를 개발한다.
• 버렛 방법 대비 최대 4,000배 큰 시간 간격을 허용하면서도 정확도를 유지할 수 있도록 한다.
• 다양한 힘 장영역에서 소형 3D 분자 시스템(1–16개 입자)을 시뮬레이션할 때 상당한 순속도 향상을 달성한다.
• 정확한 물리적 일관성을 확보하기 위해 고정밀 버렛 궤적을 기반으로 신경 통합기를 훈련한다.

제안 방법

• 딥 네트워크는 현재 위치와 속도를 사용하여 다음 시간 간격의 입자 위치를 예측하도록 훈련된다.
• 정확도를 확보하기 위해 작은 시간 간격을 사용해 버렛 통합기에서 생성된 궤적을 기반으로 네트워크를 훈련한다.
• 명시적인 통합 규칙 없이도 뉴턴의 운동 방정식의 기본 역학을 학습한다.
• 다양한 힘 장영역과 시스템 크기에 일반화할 수 있도록 아키텍처를 설계한다.
• 기존 수치 통합 방식을 대체하여 학습된 역학 모델로 전환한다.
• 대부분의 계산 비용을 줄이기 위해 큰 시간 간격으로 추론를 수행한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 버렛 방법 대비 4,000배 큰 시간 간격으로 뉴턴의 운동 방정식을 통합하는 데 성공할 수 있는가?
• RQ2 이러한 학습된 통합기를 사용할 경우 소형 분자 시스템에서 어떤 정도의 속도 향상을 달성할 수 있는가?
• RQ3 다양한 힘 장영역과 시스템 크기에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ4 장기적인 시뮬레이션 동안 학습된 통합기는 정확도와 에너지 보존을 유지하는가?

주요 결과

• 딥러닝 기반 통합기는 버렛 통합 대비 1–16개 입자 3D 시스템에서 최대 32,000배의 순속도 향상을 달성한다.
• 버렛 시간 간격 대비 최대 4,000배 큰 시간 간격을 지원하면서도 정확한 역학을 유지한다.
• 각 시스템에 대해 재학습 없이 다양한 힘 장영역에 일반화된다.
• 장기적인 에너지 보존과 물리적 일관성을 유지한다.
• 궤적의 정밀도를 유지하면서 계산 비용을 상당히 줄인다.
• 다양한 상호작용을 가진 소형 분자 시스템에서 확장성과 강건성을 입증한다.