[論文レビュー] Monte Carlo SImulation of Polymers: Coarse-Grained Models

J. Baschnagel, J. P. Wittmer+1 more|arXiv (Cornell University)|Jul 28, 2004

Block Copolymer Self-Assembly参考文献 114被引用数 7

ひとこと要約

本稿は、粗粒度ポリマー・モデルにおけるモンテカルロシミュレーション技法をレビューし、長鎖の平衡化を高速化するアルゴリズムに焦点を当てる。局所的および非局所的移動（例えば、ピボット、スリザーワンプ、ダブルピボットアルゴリズム）と、ローゼンブリュッハ-ローゼンブリュッハ法の現代的変種（構造バイアス法や剪定・強化されたローゼンブリュッハ法）を提示し、自己回避的および相互作用を有するポリマーを、より高いサンプリング効率と正確性で効率的にシミュレートする手法を示す。

ABSTRACT

A coarse-grained simulation model eliminates microscopic degrees of freedom and represents a polymer by a simplified structure. A priori, two classes of coarse-grained models may be distinguished: those which are designed for a specific polymer and reflect the underlying atomistic details to some extent, and those which retain only the most basic features of a polymer chain (chain connectivity, short-range excluded-volume interactions, etc.). In this review we mainly focus on the second class of generic polymer models, while the first class of specific coarse-grained models is only touched upon briefly.

研究の動機と目的

• 長鎖ポリマー鎖のモンテカルロシミュレーションにおける緩和の遅さという課題に対処するため、効率的なサンプリング・アルゴリズムの開発を目的とする。
• 化学的特異性を保持するモデルと、普遍的なポリマー行動に重点を置く一般化モデルを比較・対比することを目的とする。
• 非局所的移動（例：ピボット、ダブルピボット）が、密度の高いポリマー系における平衡化の加速に果たす役割を評価することを目的とする。
• 自己回避的ウォークおよび引力を有するポリマーをシミュレートするためのローゼンブリュッハ-ローゼンブリュッハ法の現代的拡張を検討することを目的とする。
• 系の種別および関心のある物理的性質に基づいて、適切なモンテカルロアルゴリズムを選定するための実用的指針を提供することを目的とする。

提案手法

• モノマーをビーズに置き換え、結合の伸び縮み、結合角、短距離的な排他的体積の相互作用のみを保持する粗粒度モデルを用いる。
• 物理的ダイナミクスを探索するための局所的モンテカルロ移動と、鎖の緩和を加速し、サンプリング効率を向上させる非局所的移動（例：ピボット、スリザーワンプ）を用いる。
• 濃度の高いポリマー・メルトおよび溶液を対象とし、構成的サンプリングを強化するために特に設計された、ピボット移動の変種であるダブルピボットアルゴリズムを適用する。
• ローゼンブリュッハ-ローゼンブリュッハフレームワーク内での自己回避的鎖の成長効率を向上させるために、構造バイアス・モンテカルロおよびリコイル・グロース法を用いる。
• 引力を有するポリマーを扱うために、プリューニング・エンリッチド・ローゼンブリュッハ法（PERM）を実装し、低エネルギー状態の正確なサンプリングを可能にする。
• 逆モンテカルロ法と繰り返しフィッティングを用いて、実験的または原子スケールのデータ（例：径分布関数、結合角分布）に基づき、粗粒度ポテンシャルをキャリブレーションする。

実験結果

リサーチクエスチョン

• RQ1 長鎖ポリマー鎖の大きな緩和時間を考慮しても、モンテカルロシミュレーションがどのようにしてその構成的空間を効率的にサンプリングできるか？
• RQ2 ポリマーのダイナミクスと平衡化をシミュレートする際、局所的移動と非局所的移動の相対的利点は何か？
• RQ3 ローゼンブリュッハ-ローゼンブリュッハ法の現代的変種は、自己回避的ウォークおよび相互作用を有するポリマーのシミュレーションにおいて、どのようにして効率性と正確性を向上させるか？
• RQ4 粗粒度モデルは、完全な原子スケールの詳細を欠いても、ポリビニルアルコールのような実際のポリマーの主要な構造的および熱力学的性質をどれほど正確に再現できるか？
• RQ5 実験的または原子スケールの参照データに基づいた粗粒度ポテンシャルのパラメータ化に最適な戦略は何か？

主な発見

• ダブルピボットアルゴリズムは、詳細なバランスを保持しつつ、大規模な構成的変化を可能にすることで、濃度の高いポリマー・メルトにおけるサンプリング効率を顕著に向上させる。
• 構造バイアス・モンテカルロ法およびリコイル・グロース法は、重なりのない構成に成長をバイアスすることで、自己回避的鎖の成長効率を向上させる。
• プリューニング・エンリッチド・ローゼンブリュッハ法（PERM）は、低確率パスを剪定し、高確率パスを強化することで、引力を有するポリマーの正確なシミュレーションを可能にする。
• 径分布関数や平均力ポテンシャルなどの原子スケールデータへの繰り返しフィッティングにより導出された粗粒度モデルは、ポリビニルアルコールのような実際のポリマーの主要な構造的特徴を定量的に再現できる。
• 粗粒度モデルにおいて、Lennard-Jones型反発項の指数 n < 12 のようなソフトで重なりのあるポテンシャルを用いることで、原子スケールのポテンシャルよりもポリマー・セグメントの柔軟性をよりよく捉えることができる。
• ポリビニルアルコールの粗粒度モデルは、局所的構成統計と低温での結晶化行動の両方を正確に再現でき、フィッティング点を越えた予測能力の有効性を検証した。