[논문 리뷰] Generative Coarse-Graining of Molecular Conformations

Wujie Wang, Minkai Xu외 6명|arXiv (Cornell University)|2022. 01. 28.

Machine Learning in Materials Science인용 수 23

한 줄 요약

CGVAE는 확률적이고 등가적 프레임워크를 도입하여 거친-그레이드(coarse-grained) 분자 구조를 미세-그래인(fine-grained) 구성들로 백매핑하고 FG 불확실성과 기하학적 일관성을 포착합니다.

ABSTRACT

Coarse-graining (CG) of molecular simulations simplifies the particle representation by grouping selected atoms into pseudo-beads and drastically accelerates simulation. However, such CG procedure induces information losses, which makes accurate backmapping, i.e., restoring fine-grained (FG) coordinates from CG coordinates, a long-standing challenge. Inspired by the recent progress in generative models and equivariant networks, we propose a novel model that rigorously embeds the vital probabilistic nature and geometric consistency requirements of the backmapping transformation. Our model encodes the FG uncertainties into an invariant latent space and decodes them back to FG geometries via equivariant convolutions. To standardize the evaluation of this domain, we provide three comprehensive benchmarks based on molecular dynamics trajectories. Experiments show that our approach always recovers more realistic structures and outperforms existing data-driven methods with a significant margin.

연구 동기 및 목표

• 정보 손실 하에서 CG에서 FG 분자 좌표로의 정확한 백매핑의 필요성을 제시한다.
• FG 불확실성을 포착하기 위해 백매핑을 조건부 생성적 태스크로 공식화한다.
• E(3) 대칭을 존중하는 등가적이고 기하학적으로 일관된 디코더를 개발한다.
• CG 매핑에 독립적이면서 CG 백매핑 도메인의 평가를 표준화하기 위한 CG-agnostic 벤치마크와 지표를 제공한다.

제안 방법

• 확률적 CG-to-FG 모델(CGVAE)을 제안하여 encoders qϕ(z|x,X)와 decoders pθ(x|X,z)로 잠재 변수 z를 통해 p(x|X)를 학습한다.
• 메시지 전달과 풀링을 사용한 불변 FG-to-CG 인코더를 활용해 z를 매개변수화하는 CG 임베딩을 얻는다.
• FG 데이터 없이도 샘플링 가능하도록 CG 구조만으로 pψ(z|X) 선험 분포를 모델링한다.
• 다중 채널 등가 디코더를 구현하여 벡터 및 의도된 스칼라/초스칼라 피처와 E(3) 등가 컨볼루션을 사용해 FG 좌표를 예측한다.
• R1 및 R2를 사용해 기하학적 일관성을 강제한다: M x̃ = X 및 Dec(QX+g) = Q Dec(X)+g, 백매핑이 CG 기하학 및 등가성을 보존하도록 한다.
• 재구성 손실(MSD 및 그래프 기반 손실)과 KL 발산 규제기를 사용해 학습하며, prior에서 z를 샘플링하고 디코딩하여 샘플링한다.

실험 결과

연구 질문

• RQ1 확률적이고 등가적 백매핑 모델이 FG 불확실성을 포착하면서 CG 입력으로부터 현실적인 FG 기하를 재현할 수 있는가?
• RQ2 백매핑을 특정 CG 매핑에 의존하지 않으면서 기하학적 일관성을 유지하려면 어떻게 해야 하는가?
• RQ3 제안된 벤치마크와 지표가 CG 해상도 전반에서 재구성 품질과 다양성을 신뢰성 있게 평가하는가?

주요 결과

• CGVAE는 벤치마크 결정론적 방법에 비해 재구성 정확도, 샘플 품질, 다양성에서 일관되게 우수한 성능을 보인다.
• 해상도가 높은 CG 표현은 CG 비드당 원자 수가 적어 FG 재구성 정확도가 더 높다.
• 해상도가 낮은 CG 표현은 샘플 다양성이 더 크며 잠재 z가 포착하는 FG 구성 공간이 더 넓다.
• 모델은 CG 매핑에 구애받지 않으며 MD 시뮬레이션에서 사용되는 다양한 CG 매핑 프로토콜에 적용 가능하다.
• 벡터, 의사스칼라 및 교차곱 기반 업데이트를 포함한 등가 디코딩은 FG 좌표를 구성하는 표현력을 향상시킨다.