[논문 리뷰] Multimap targeted free energy estimation

Andrea Rizzi, Paolo Carloni외 1명|arXiv (Cornell University)|2023. 02. 15.

Machine Learning in Materials ScienceMaterials Science참고 문헌 94인용 수 3

한 줄 요약

이 논문은 저비용 기준 시뮬레이션에서 유도된 다수의 구성도 맵을 사용하여 정규화 흐름 학습의 고비용을 제거함으로써 양자역학적 자유 에너지 계산을 가속화하는 다중맵 대상 자유 에너지 변화법(TFEP)을 소개한다. 이 방법은 약 3,000배 빠른 속도 향상과 표준 FEP 대비 약 8배 빠른 속도 향상을 이룩하였으며, 약물 유사 분자에서 힘장에서 DFTB3로의 자유 에너지 변화를 계산할 때 유의미한 성능 향상을 보였다.

ABSTRACT

We present a new method to compute free energies at a quantum mechanical (QM) level of theory from molecular simulations using cheap reference potential energy functions, such as force fields. To overcome the poor overlap between the reference and target distributions, we generalize targeted free energy perturbation (TFEP) to employ multiple configuration maps. While TFEP maps have been obtained before from an expensive training of a normalizing flow neural network (NN), our multimap estimator allows us to use the same set of QM calculations to both optimize the maps and estimate the free energy, thus removing almost completely the overhead due to training. A multimap extension of the multistate Bennett acceptance ratio estimator is also derived for cases where samples from two or more states are available. Furthermore, we propose a one-epoch learning policy that can be used to efficiently avoid overfitting when computing the loss function is expensive compared to generating data. Finally, we show how our multimap approach can be combined with enhanced sampling strategies to overcome the pervasive problem of poor convergence due to slow degrees of freedom. We test our method on the HiPen dataset of drug-like molecules and fragments, and we show that it can accelerate the calculation of the free energy difference of switching from a force field to a DFTB3 potential by about 3 orders of magnitude compared to standard FEP and by a factor of about 8 compared to previously published nonequilibrium calculations.

연구 동기 및 목표

• 자유 에너지 계산에서 기준(예: 힘장) 분포와 목표(예: DFTB3) 분포 간의 낮은 겹침 문제를 해결한다.
• 알코올 자유 에너지 계산에서 느린 도달 자유도를 샘플링하는 데 높은 계산 비용을 초래하는 문제를 해결한다.
• 정규화 흐름 학습의 고비용을 제거하기 위해 QM 데이터를 맵 최적화와 자유 에너지 추정에 모두 재사용한다.
• 다수의 맵을 사용하여 향상된 샘플링과 다중상태 추정기를 통한 효율적인 자유 에너지 추정을 가능하게 한다.
• 손실 함수 평가가 비용이 많이 들 때 과적합을 방지하기 위해 1에포크 학습 정책을 개발한다.

제안 방법

• 단일 맵 대신 다수의 구성도 맵을 사용하는 타깃 자유 에너지 변화법(TFEP)을 일반화한다.
• 자유 에너지 추정에 사용된 동일한 QM 데이터를 사용하여 다수의 맵을 학습시켜 별도의 학습 오버헤드를 방지한다.
• 다중상태 자유 에너지 추정을 위한 다중맵 확장 MBAR 추정기의 유도한다.
• 손실 함수 평가가 비용이 많이 들 때 과적합을 최소화하기 위해 1에포크 학습 정책을 구현한다.
• 다중맵 TFEP를 향상된 샘플링 기법(예: OPES)과 통합하여 느린 자유도를 가진 시스템에서 수렴 속도를 가속화한다.
• 맵의 입력으로 Z-매트릭스 또는 카르테시안 좌표를 사용하며, 배치 처리를 통해 계산 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 기준 분포와 목표 분포 간 겹침이 낮을 경우, 다수의 구성도 맵이 자유 에너지 추정의 정확도와 효율성을 향상시킬 수 있는가?
• RQ2 QM 데이터를 맵 학습과 자유 에너지 추정에 모두 재사용함으로써 정규화 흐름 학습의 오버헤드를 제거할 수 있는가?
• RQ3 다중맵 TFEP 방법은 표준 FEP 및 비평형 방법에 비해 속도와 정확도 측면에서 어떻게 비교되는가?
• RQ4 다중맵 접근법은 향상된 샘플링과 결합하여 느린 자유도를 가진 시스템에서 수렴 속도를 효과적으로 가속화할 수 있는가?
• RQ5 배치 크기와 좌표 표현 방식(카르테시안 대비 Z-매트릭스)은 자유 에너지 추정의 안정성과 정확성에 어떤 영향을 미치는가?

주요 결과

• 표준 알코올 자유 에너지 변화법(FEP) 대비 다중맵 TFEP 방법은 힘장에서 DFTB3로의 자유 에너지 변화 계산에서 월드클록 시간 기준 약 3,000배의 속도 향상을 달성하였다.
• HiPen 데이터셋에서 이전에 발표된 비평형 FEP 방법 대비 계산량을 약 8배 감소시켰다.
• 다중맵 MBAR 추정기는 여러 상태에서의 샘플을 사용하여 안정적인 자유 에너지 추정을 가능하게 하여 통계적 수렴을 향상시켰다.
• 배치 크기 48로 Z-매트릭스 좌표를 사용할 경우, '좋음' 셋에서 평균 절대 오차는 약 3.8 kcal/mol이며, 신뢰구간은 약 0.04–0.08 kcal/mol이었다.
• 손실 함수 평가가 비용이 많이 들 때에도 1에포크 학습 정책이 과적합을 효과적으로 방지하였으며, 10회의 복제 시뮬레이션 전반에서 안정된 성능을 유지하였다.
• 수렴이 불량한 분자들(예: 18번 및 19번)에 대해서도, 큰 불확실성(예: 18번 분자에서 3.37 kcal/mol)을 가진 추정치를 제공하였으며, 이는 샘플링 품질의 한계를 시사한다.