[논문 리뷰] Learning Hamiltonian Flow Maps: Mean Flow Consistency for Large-Timestep Molecular Dynamics

Winfried Ripken, Michael Plainer외 6명|arXiv (Cornell University)|2026. 01. 29.

Machine Learning in Materials Science인용 수 0

한 줄 요약

하밀토니안 흐름 맵(Hamiltonian Flow Maps)을 경로-없는 평균 흐름 일관성 목표로 학습시켜, 궤적 생성 없이도 ab-initio 데이터로 안정적인 대-타임스텝 분자동역학(MD)을 가능하게 한다.

ABSTRACT

Simulating the long-time evolution of Hamiltonian systems is limited by the small timesteps required for stable numerical integration. To overcome this constraint, we introduce a framework to learn Hamiltonian Flow Maps by predicting the mean phase-space evolution over a chosen time span, enabling stable large-timestep updates far beyond the stability limits of classical integrators. To this end, we impose a Mean Flow consistency condition for time-averaged Hamiltonian dynamics. Unlike prior approaches, this allows training on independent phase-space samples without access to future states, avoiding expensive trajectory generation. Validated across diverse Hamiltonian systems, our method in particular improves upon molecular dynamics simulations using machine-learned force fields (MLFF). Our models maintain comparable training and inference cost, but support significantly larger integration timesteps while trained directly on widely-available trajectory-free MLFF datasets.

연구 동기 및 목표

• 저장된 기간 동안의 큰 타임스텝 시뮬레이션을 가능하게 하여 장시간 해밀토니안 다이나믹스의 계산 비용 절감을 목표로 한다.
• 학습된 해밀토니안 흐름 맵의 평균 흐름 일관성(mean flow consistency)에 기반한 경로-없는(training objective)를 제안한다.
• 궤적 생성이나 교사 모델 없이 표준 MLFF 데이터셋에서 직접 학습이 가능하도록 한다.
• 다양한 시스템에 걸쳐 물리적 제약을 보존하면서 큰 타임스텝 MD 롤아웃의 안정성과 정확성을 향상시킨다.

제안 방법

• Δt 간격으로 위상공간 상태를 진행시키는 해밀토니안 흐름 맵을 모델링한다.
• [t, t+Δt]에서의 시간 평균 속도 및 힘으로 정의된 시작점 조건의 평균 변위 필드를 설정한다.
• 평균 변위를 미분하고 이를 순간 역학과 일치하게 강제하는 경로-없는 일관성 방정식을 도출한다.
• 순간 힘과 시간-일관성 항(Mean Flow)을 결합한 손실 함수를 사용하여 평균 변위를 예측하는 신경망을 학습시킨다.
• 학습된 평균 변위를 Δt로 곱하고 현재 상태를 더해 전체 해밀토니안 흐름 맵을 복구한다.
• 손실 평가를 위한 야코비안-벡터 곱을 사용하고 계산 오버헤드를 줄이기 위해 stop-gradient 타깃을 활용한다.
• 롤아웃을 안정시키기 위해 추론 시 필터(에너지/각 운동량 보존, 평행이동 제거, 무작위 회전) 적용한다.

Figure 1 : Hamiltonian Flow Maps (HFMs) for large timesteps in phase space. Top row : Existing approaches rely on trajectory data, typically generated using a teacher MLFF through sequential simulation with small timesteps. While this enables training large-timestep models via direct regression, the

실험 결과

연구 질문

• RQ1 경로-없는 평균 흐름 일관성 목적이 순간 힘과 위치 데이터로부터 정확한 대-타임스텝 해밀토니안 흐름 맵을 학습할 수 있는가?
• RQ2 꺼진 안된 MLFF 데이터세트에서 궤적 없이 학습하면 다양한 시스템에 걸쳐 물리적 관찰값을 보존하면서도 안정적인 대-타임스텝 MD 롤아웃이 가능하는가?
• RQ3 learned 흐름 맵은 단일 입자, N-체, 분자 시스템에서 큰 타임스텝에서 전통적 적분자(예: Velocity Verlet)와 비교해 어떤 성능을 보이는가?
• RQ4 단일 모델 내에서 순간 힘과 시간 평균 역학을 모두 복원할 수 있는가?
• RQ5 다양한 분자 시스템에서 데이터 효율성 및 안정성 한계는 무엇인가?

주요 결과

• HFMs는 표준 MLFF의 안정성 한계를 넘어서는 타임스텝에서 안정적인 롤아웃을 가능하게 한다.
• decorrelated 순간 데이터로 학습된 HFMs는 작은 타임스텝에서 MLFF 기준과 경쟁하고, 큰 타임스텝에서 이를 능가한다.
• 4가지 분자 사례(Aspirin, Ethanol, Naphthalene, Salicylic Acid)에서 HFMs는 Δt = 9 fs까지 정확성을 유지하며, 1 fs에서의 MAE는 MLFF와 비슷하거나 더 나으며, 9 fs까지 점차 증가하더라도 안정적이다.
• NVE 시뮬레이션에서 HFMs는 VV 기반 기준선보다 빠르게 구성적 공간을 탐색하며, paracetamol의 Ramachandran 도표로 그 존재를 보여준다.
• HFMs는 NVT 시뮬레이션에서 구조 통계(h(r) MAE)를 정확하게 재현하고, 파워 스펙트럼 등의 합리적인 시간적 관측치를 산출한다.
• alanine dipeptide의 경우 Δtmax ≈ 15 fs인 HFMs가 Δt ≈ 12 fs에서 정확한 자유에너지 표면을 생성하여 복잡한 메타안정 시스템으로의 확장성을 시연한다.

Figure 2 : HFMs vs. classical integration: Symplectic integrators such as Velocity Verlet (VV) advance the system through many local half-steps (left). HFMs instead predict the phase-space displacement over the interval directly (right). By modeling the mean velocity and force $(\bar{{{\bm{v}}}},\ba