[논문 리뷰] Machine learning force fields and coarse-grained variables in molecular dynamics: application to materials and biological systems

Paraskevi Gkeka, Gabriel Stoltz외 15명|arXiv (Cornell University)|2020. 04. 15.

Machine Learning in Materials Science참고 문헌 237인용 수 222

한 줄 요약

머신러닝이 원자 수준 MD를 위한 포스 필드와 거친-grained 변수들을 어떻게 구성하는지에 대한 포괄적 검토로, 데이터베이스 설계, 서술자, 회귀 방법, 재료 및 생물학에의 응용을 다룬다.

ABSTRACT

Machine learning encompasses a set of tools and algorithms which are now becoming popular in almost all scientific and technological fields. This is true for molecular dynamics as well, where machine learning offers promises of extracting valuable information from the enormous amounts of data generated by simulation of complex systems. We provide here a review of our current understanding of goals, benefits, and limitations of machine learning techniques for computational studies on atomistic systems, focusing on the construction of empirical force fields from ab-initio databases and the determination of reaction coordinates for free energy computation and enhanced sampling.

연구 동기 및 목표

• MD 및 거친화에서 머신러닝의 목표, 이점, 한계를 평가한다.
• ML 포스 필드가 ab-initio 데이터로부터 어떻게 구축되고 MD 시뮬레이션에 활용되는지 설명한다.
• 향상 샘플링을 위한 반응 좌표 및 집합 변수 식별 방법을 논의한다.
• 생물학 시스템, 약물 발견, 거친화 모델링에 대한 머신러닝의 적용을 탐구한다.
• 향후 발전을 위한 물리 기반 접근법과 ML의 통합에 대한 시각을 제시한다.

제안 방법

• ML 포스 필드를 위한 데이터베이스 구성과 활성 학습 및 온-더-플라이 학습의 역할에 대해 논의한다.
• 신경망, 커널 방법, 선형 모델을 포함한 원자 서술자 및 회귀 옵션을 설명한다.
• 대칭성과 물리적 제약이 서술자와 모델에 어떻게 반영되는지 설명한다.
• 원자 수준 PMF/FES 데이터로부터 하향식 거친화 및 포텐셜 학습 접근법을 비교한다.
• 데이터 기반 차원 축소와 느리고 큰 분산 모드를 이용한 집합 변수 식별 전략을 개요한다.

실험 결과

연구 질문

• RQ1 데이터베이스 선택과 활성 학습이 ML 기반 포스 필드의 정확도와 전이 가능성에 어떤 영향을 미치는가?
• RQ2 어떤 서술자와 회귀 방법이 재료와 생물학 시스템 전반에서 정확도, 전이 가능성, 계산 비용 간의 균형을 가장 잘 이끄는가?
• RQ3 향상 샘플링 및 거친화에 의미 있는 집합 변수와 반응 좌표를 식별하기 위해 ML을 어떻게 활용할 수 있는가?
• RQ4 물리 기반 모델 및 장거리 상호작용과의 ML 포스 필드 통합에서의 도전과 전망은 무엇인가?

주요 결과

• 적절한 학습 데이터와 서술자가 주어지면 ML 포텐셜은 비교적 낮은 비용으로도 ab-initio 방법과 유사한 높은 정확도에 도달할 수 있다.
• 대칭 인식 서술자와 적절한 회귀 방법은 시스템 간 전이성 및 강건성에 결정적으로 영향을 준다.
• 잠재적 정확도와 적용 가능 영역 사이의 트레이드오프가 존재하며, 테스트 데이터에 대한 엄격한 검증이 필요하다.
• 하향식 거친화는 ML을 활용하여 고차원 PMF를 효과적인 CG 상호작용이나 평균력으로 표현하는 데 기여할 수 있다.
• 데이터 기반 CV 발견은 복잡한 분자 시스템의 향상 샘플링 및 차원 축소를 개선한다.
• 물리 기반 구성요소와의 ML 통합(예: 장거리 상호작용)은 포괄적 포스필드 개발에 대해 전망이 있다.