[论文解读] Deep Learning Based Integrators for Solving Newton's Equations with Large Timesteps

JCS Kadupitiya, Geoffrey Fox+1 more|arXiv (Cornell University)|Jan 1, 2020

Model Reduction and Neural Networks参考文献 46被引用 6

一句话总结

该论文提出了一种基于深度学习的积分器，通过使用Verlet方法生成的轨迹来学习模拟牛顿运动方程，使得时间步长可比标准Verlet方法大4,000倍。该方法在多种力场下的小型3D分子系统中实现了高达32,000倍的净加速。

ABSTRACT

Classical molecular dynamics simulations are based on Newton's equations of motion and rely on numerical integrators to solve them. Using a small timestep to avoid discretization errors, Verlet integrators generate a trajectory of particle positions as solutions to Newton's equations. We introduce an integrator based on deep neural networks that is trained on trajectories generated using the Verlet integrator and learns to propagate the dynamics of particles with timestep up to 4000$ imes$ larger compared to the Verlet timestep. We demonstrate significant net speedup of up to 32000 for 1 - 16 particle 3D systems and over a variety of force fields.

研究动机与目标

• 开发一种基于神经网络的积分器，以降低分子动力学模拟中的计算成本。
• 在不牺牲精度的前提下，实现比Verlet方法大4,000倍的时间步长。
• 在各种力场下，显著提升小型3D分子系统（1–16个粒子）的模拟净速度。
• 在高精度Verlet轨迹上训练神经积分器，以确保物理一致性。

提出的方法

• 使用当前位置和速度，训练深度神经网络以预测粒子在下一时间步的位置。
• 在Verlet积分器使用小时间步长生成的轨迹上进行网络训练，以确保精度。
• 模型学习牛顿方程的底层动力学，而无需显式积分规则。
• 网络架构设计用于在不同力场和系统尺寸间实现泛化。
• 该方法绕过传统数值积分，改用学习到的动力学模型。
• 推理过程使用大时间步长，显著降低模拟成本。

实验结果

研究问题

• RQ1 深度神经网络能否在时间步长比Verlet大4,000倍的情况下学习积分牛顿方程？
• RQ2 使用此类学习积分器在小型分子系统中可实现多高的加速比？
• RQ3 该模型在不同力场和系统尺寸间的泛化能力如何？
• RQ4 学习到的积分器在长时间模拟中是否保持精度和能量守恒？

主要发现

• 该深度学习积分器在1–16个粒子的3D系统中，相比Verlet积分，实现了高达32,000倍的净加速。
• 该方法支持的时间步长最大可达Verlet时间步长的4,000倍，同时保持了精确的动力学行为。
• 该模型无需为每个系统重新训练，即可在多种力场间实现良好泛化。
• 学习到的积分器保持了长期的能量守恒和物理一致性。
• 该方法在保持轨迹保真度的同时，显著降低了计算成本。
• 该方法在具有多样化相互作用的小型分子系统中表现出良好的可扩展性和鲁棒性。