[논문 리뷰] OpenMM 8: Molecular Dynamics Simulation with Machine Learning Potentials

Peter Eastman, Raimondas Galvelis외 23명|arXiv (Cornell University)|2023. 10. 04.

Machine Learning in Materials Science인용 수 20

한 줄 요약

OpenMM 8은 임의의 PyTorch 모델을 통합하여 힘과 에너지를 계산하는 기계 학습 포텐셜에 대한 지원을 추가하고, 상위 수준 인터페이스와 최적화된 CUDA 커널을 제공하며, 물 속의 CDK8과 GFP에서 시연됩니다.

ABSTRACT

Machine learning plays an important and growing role in molecular simulation. The newest version of the OpenMM molecular dynamics toolkit introduces new features to support the use of machine learning potentials. Arbitrary PyTorch models can be added to a simulation and used to compute forces and energy. A higher-level interface allows users to easily model their molecules of interest with general purpose, pretrained potential functions. A collection of optimized CUDA kernels and custom PyTorch operations greatly improves the speed of simulations. We demonstrate these features on simulations of cyclin-dependent kinase 8 (CDK8) and the green fluorescent protein (GFP) chromophore in water. Taken together, these features make it practical to use machine learning to improve the accuracy of simulations at only a modest increase in cost.

연구 동기 및 목표

• OpenMM MD 도구상자에 머신 러닝 포텐셜을 도입한다.
• 임의의 PyTorch 모델이 시뮬레이션 내에서 힘과 에너지를 계산하도록 허용한다.
• 사전 학습된 ML 포텐셜로 분자를 모델링하기 위한 고수준 인터페이스를 제공한다.
• 최적화된 CUDA 커널과 사용자 정의 PyTorch 연산으로 성능을 향상시킨다.

제안 방법

• 임의의 PyTorch 모델을 OpenMM 시뮬레이션에 통합하여 힘과 에너지를 계산한다.
• 사전 학습된 포텐셜로 분자를 모델링하기 위한 사용자용 고수준 인터페이스를 제공한다.
• 시뮬레이션을 가속화하기 위해 최적화된 CUDA 커널과 사용자 정의 PyTorch 연산을 구현한다.
• 실제 시스템(CDK8 키나제 및 물 속 GFP 크로모포어)에서 사용성 및 성능을 시연한다.

실험 결과

연구 질문

• RQ1 MD 중에 임의의 PyTorch 모델을 OpenMM에 통합하여 힘과 에너지를 계산할 수 있는 방법은?
• RQ2 OpenMM 내 MD 시뮬레이션에서 ML 포텐셜이 정확성에 미치는 영향은 무엇인가?
• RQ3 최적화된 CUDA 커널과 사용자 정의 PyTorch 연산을 사용하여 어떤 성능 향상이 달성될 수 있는가?
• RQ4 CDK8 및 물 속 GFP와 같은 특정 생체분자 시스템을 모델링하는 데 ML 기반 포텐셜의 활용이 얼마나 실용적인가?

주요 결과

• ML 포텐셜은 PyTorch 모델을 통해 OpenMM에 통합되어 힘과 에너지를 계산할 수 있다.
• 고수준 인터페이스가 사전 학습된 ML 포텐셜의 손쉬운 분자 모델링 사용을 가능하게 한다.
• 최적화된 CUDA 커널과 맞춤 PyTorch 연산이 시뮬레이션 속도를 크게 향상시킨다.
• 물 속 CDK8와 GFP에 대한 시연은 ML 포텐셜의 실용적인 비용/정확도 이점을 보여준다.