[논문 리뷰] Variational Coarse-Graining for Molecular Dynamics

Wujie Wang, Rafael Gómez‐Bombarelli|arXiv (Cornell University)|2018. 12. 06.

Machine Learning in Materials Science인용 수 3

한 줄 요약

이 논문은 자동차분기(auto-encoder)와 力-매칭(force-matching)을 사용하여 군집화 맵핑과 위치 에너지 함수를 동시에 최적화하는 엔드 투 엔드 딥러닝 프레임워크인 Autograin을 소개한다. 이는 자동으로, 미분 가능한 방식으로 군집화 변수와 해밀토니안을 학습할 수 있게 하여 단일 분자 및 주기적 거시상태 등 모델 시스템에서 정확한 장시간 스케일 시뮬레이션을 가능하게 한다.

ABSTRACT

Molecular dynamics simulations provide theoretical insight into the microscopic behavior of materials in condensed phase and, as a predictive tool, enable computational design of new compounds. However, because of the large temporal and spatial scales involved in thermodynamic and kinetic phenomena in materials, atomistic simulations are often computationally unfeasible. Coarse-graining methods allow simulating larger systems, by reducing the dimensionality of the simulation, and propagating longer timesteps, by averaging out fast motions. Coarse-graining involves two coupled learning problems; defining the mapping from an all-atom to a reduced representation, and parametrizing a Hamiltonian over coarse-grained coordinates. Multiple statistical mechanics approaches have addressed the latter, but the former is generally a hand-tuned process based on chemical intuition. Here we present Autograin, an optimization framework based on auto-encoders to learn both tasks simultaneously. Autograin automatically learns the optimal mapping between all-atom and reduced representation, using the reconstruction loss to facilitate the learning of coarse-grained variables. In addition, a force-matching method is applied to variationally determine the coarse-grained potential energy function. This procedure is tested on a number of model systems including single-molecule and bulk-phase periodic simulations.

연구 동기 및 목표

• 열역학적 및 운동학적 시간 스케일에서 원자 수준의 분자역학 시뮬레이션의 계산 불가능성을 해결하기 위해.
• 기존 군집화 방법에서 수작업으로 조정된 화학적으로 직관적인 맵핑에 의존하는 문제를 극복하기 위해.
• 군집화 표현과 그에 해당하는 위치 에너지 함수를 동시에 학습하는 통합적이고, 미분 가능한 프레임워크를 개발하기 위해.
• 자동화된 변분 군집화를 통해 복잡한 응집상 재료의 정확하고 장시간 스케일의 시뮬레이션을 가능하게 하기 위해.

제안 방법

• 모든 원자 구조에서 군집화 구조로의 비선형, 미분 가능한 맵핑을 학습하기 위해 자동차분기 아키텍처를 사용한다.
• 모든 원자 시스템의 필수적인 구조적 및 동적 특성을 유지하기 위해 복원 손실을 최소화한다.
• 군집화된 힘과 모든 원자 힘 간의 차이를 최소화함으로써 변분 力-매칭 방법을 적용하여 군집화된 위치 에너지 함수를 학습한다.
• 전체 계산 그래프를 통해 역전파를 통해 맵핑과 위치 에너지 함수를 동시에 최적화한다.
• 복잡한 상호작용과 장시간 리라크세이션을 보이는 시스템 포함, 단일 분자 및 주기적 거시상 시스템에서 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 딥러닝 프레임워크가 수작업 조정된 방법보다 군집화 표현과 위치 에너지 함수를 더 효과적으로 동시에 최적화할 수 있는가?
• RQ2 자기차분기 기반 표현은 다양한 분자 환경에서 모든 원자 시스템의 물리적 및 구조적 특성을 얼마나 잘 유지하는가?
• RQ3 변분 力-매칭은 기존 방법에 비해 군집화된 힘 예측의 정확도를 어느 정도 향상시키는가?
• RQ4 이 프레임워크는 주기적 거시상과 같은 복잡한 시스템에서 안정적이고 정확한 장시간 스케일 시뮬레이션을 가능하게 하는가?

주요 결과

• 재구성 정밀도와 물리적 일관성의 증거에 기반해 Autograin은 화학적 직관에 의존하지 않고 물리적으로 의미 있는 군집화 변수를 성공적으로 학습하였다.
• 변분 力-매칭을 통해 정확한 힘 예측을 달성하여 분자역학 엔진에 안정적으로 통합할 수 있었다.
• 학습된 군집화 모델을 사용한 시뮬레이션은 원래의 모든 원자 시스템의 장시간 스케일의 동역학과 구조적 성질을 재현하였다.
• 단일 분자 및 주기적 거시상 시스템을 포함한 다양한 시스템에서 뛰어난 내성과 일관된 성능을 보이며, 다양한 재료 유형에서의 안정성을 입증하였다.