[论文解读] Learning Mappings between Equilibrium States of Liquid Systems Using Normalizing Flows

Alessandro Coretti, Sebastian Falkner+2 more|arXiv (Cornell University)|Aug 22, 2022

Protein Structure and Dynamics被引用 5

一句话总结

本文提出使用归一化流来学习液体系统平衡态之间的可逆映射，通过重加权实现从一个系统无偏采样另一个系统。该方法成功地在不同热力学状态下的Lennard-Jones液体和排斥粒子系统之间建立了映射，表明生成的样本可通过重加权准确恢复目标系统的平衡分布，偏差极小。

ABSTRACT

Generative models are a promising tool to address the sampling problem in multi-body and condensed-matter systems in the framework of statistical mechanics. In this work, we show that normalizing flows can be used to learn a transformation to map different liquid systems into each other allowing at the same time to obtain an unbiased equilibrium distribution through a reweighting process. Two proof-of-principles calculations are presented for the transformation between Lennard-Jones systems of particles with different depths of the potential well and for the transformation between a Lennard-Jones and a system of repulsive particles. In both numerical experiments, systems are in the liquid state. In future applications, this approach could lead to efficient methods to simulate liquid systems at ab-initio accuracy with the computational cost of less accurate models, such as force field or coarse-grained simulations.

研究动机与目标

• 开发一种机器学习方法，用于学习统计力学中液体系统平衡态之间的可逆映射。
• 利用归一化流与重加权技术，实现从一个液体系统无偏采样另一个系统。
• 通过从低精度模型（如力场）转移知识至高精度系统，降低计算成本。
• 验证在无序液相中实现Boltzmann到Boltzmann映射的可行性。
• 在两个原理验证系统上验证该方法：不同井深的Lennard-Jones流体，以及Lennard-Jones与排斥粒子系统的对比。

提出的方法

• 该方法使用归一化流——具有可逆、可微变换的深度神经网络——来学习两个液体系统A和B之间配置的映射Φ。
• 该变换Φ将系统A的Boltzmann分布样本映射至系统B，通过雅可比行列式保持概率一致性：ρ_B(x_B) = ρ_A(x_A)|det J(x_A)|⁻¹。
• 采用具有8个堆叠块和交替掩码的real-NVP架构，每个块对输入维度的一半应用可学习的缩放和位移函数。
• 网络通过结合直接与逆向一致性项的损失函数进行训练：L_dir 和 L_inv，第二阶段训练中λ_dir = 1且λ_inv = 1。
• 为保持训练稳定性，将势能钳制并在线性化处理，r* < 0.8时防止粒子重叠并确保梯度平滑。
• 通过周期性包裹配置以保持物理一致性，并对输入数据应用主成分分析（PCA），使用源系统和目标系统的参考构型以提升训练效率。

实验结果

研究问题

• RQ1 归一化流能否学习两个不同液体系统平衡构型之间的可逆变换？
• RQ2 此类变换生成的样本是否可通过重加权获得目标系统平衡分布的无偏估计？
• RQ3 该方法在缺乏结构有序性的无序液相中是否依然有效？
• RQ4 能否仅使用目标分布的势能函数，而无需其直接样本，完成映射训练？
• RQ5 通过主成分分析和参考构型引入的物理先验，如何影响训练稳定性和性能？

主要发现

• 该方法成功实现了不同井深Lennard-Jones系统的映射，生成构型具有高保真度。
• 在Lennard-Jones到排斥粒子系统的映射中，模型生成了与目标系统能量分布一致的物理上合理的构型。
• 训练过程中，生成样本落在参考数据1st–99th百分位能量区间的比例超过90%，表明有效采样了关键区域。
• 对生成样本进行重加权后，得到了热力学性质的无偏估计，验证了变换的有效性。
• 即使在持续使用MCMC采样计算逆向损失的情况下，训练过程仍保持稳定高效，无需大规模独立初始样本池。
• 对参考构型应用PCA显著提升了训练收敛速度与性能，凸显了在先验中引入物理结构的益处。