[論文レビュー] Reaction coordinate flows for model reduction of molecular kinetics

Hao Wu, Frank Noé|arXiv (Cornell University)|Sep 11, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本稿では、正規化フローに基づくRCフローを提案する。この手法は、非線形反応座標の共同同定と、ブラウン運動ダイナミクスを用いたその低次元的力学のモデル化を、同時に実現する。可逆な正規化フローとデータ駆動型パrameter推定を活用することで、解釈可能で連続時間的かつ取り扱いやすい低次元的力学モデルの構築が可能となり、分子シミュレーションデータからの遷移状態や遷移ダイナミクスの捉え込みにおいて、既存手法を上回る性能を発揮する。

ABSTRACT

In this work, we introduce a flow based machine learning approach, called reaction coordinate (RC) flow, for discovery of low-dimensional kinetic models of molecular systems. The RC flow utilizes a normalizing flow to design the coordinate transformation and a Brownian dynamics model to approximate the kinetics of RC, where all model parameters can be estimated in a data-driven manner. In contrast to existing model reduction methods for molecular kinetics, RC flow offers a trainable and tractable model of reduced kinetics in continuous time and space due to the invertibility of the normalizing flow. Furthermore, the Brownian dynamics-based reduced kinetic model investigated in this work yields a readily discernible representation of metastable states within the phase space of the molecular system. Numerical experiments demonstrate how effectively the proposed method discovers interpretable and accurate low-dimensional representations of given full-state kinetics from simulations.

研究の動機と目的

• 従来の遅い変数同定法の限界を克服する、データ駆動的で連続時間的なモデル還元フレームワークの開発。
• 遷移状態と遷移経路を保持する、解釈可能な低次元的反応座標の同定を可能にする。
• 正規化フローとブラウン運動ダイナミクスを用いて、取り扱いやすく、可逆的かつトレーニング可能な低次元的力学モデルの構築。
• 高次元分子系における条件付き分布の取り扱いにくさを、可逆変換を活用することで解決する。
• 線形または時間スケール分離の仮定に依存しない、スケーラブルで一般化可能なモデル還元手法の提供。

提案手法

• RCフローは、全状態の分子配置から反応座標（RCs）への可逆的変換を学習する正規化フロー（NF）を用いる。これにより、双射的マッピングと取り扱いやすい密度推定が保証される。
• 低次元的ダイナミクスは、解釈可能で連続時間的力学を提供するブラウン運動ダイナミクスのSDE（確率微分方程式）でモデル化される。
• すべてのモデルパラメータ（NFおよびSDE係数）は、シミュレーションデータから最尤推定により決定され、エンドツーエンドのトレーニングが可能となる。
• NFは、12個の結合ブロックと3層のMLPを用いたRealNVPアーキテクチャとして実装され、可逆性と効率的な尤度計算が保証される。
• 遷移確率の近似には重要度サンプリング（アルゴリズム2）が用いられ、低次元的RC空間における力学的精度の評価が可能となる。
• 高次元系における最適化の安定性と初期のRC品質を向上させるために、TICAを用いた事前学習が適用される。

Figure 1: Diagram of RC flow for model reduction of molecular kinetics. The NF $F$ transforms state $\mathbf{x}_{t}$ into a vector consisting of the RC $\mathbf{z}_{t}$ and the noise $\mathbf{v}_{t}\sim\mathcal{N}(\mathbf{0},\mathbf{I})$ . Correspondingly, $\mathbf{x}_{t+\tau}$ can be reconstructed

実験結果

リサーチクエスチョン

• RQ1 正規化フローを用いて、データ駆動的かつ可逆的・連続的に非線形反応座標を同定し、その低次元的力学をモデル化することは可能か？
• RQ2 RCフローは、既存のモデル還元手法と比較して、遷移状態と遷移経路をどの程度正確に保持できるか？
• RQ3 低次元的表現における解釈性と精度を向上させるために、低次元的力学のブラウン運動近似はどの程度有効か？
• RQ4 時間スケール分離が明確でない系において、従来の遅い変数手法が失敗する状況でも、RCフローは一般化可能か？
• RQ5 正規化フローの可逆性は、低次元モデルから全状態のダイナミクスをどの程度正確に再構築できるかを高めるか？

主な発見

• RCフローは、分子系における遷移状態と遷移経路を正確に表現する、解釈可能な低次元的反応座標を効果的に同定した。
• 長時間スケールの力学的予測において高い精度を達成し、低次元モデルの推定時間スケールが全状態系とよく一致した。
• 正規化フローの使用により、正確な密度推定と可逆的マッピングが可能となり、RCモデルから全状態のダイナミクスを再構築できるようになった。
• ダブルウェル、ミューラー、スイスロール、アラニンジペプチド系における数値実験により、多様な分子的ランドスケープにおいて一貫した性能が示された。
• ブラウン運動に基づく低次元的力学モデルは、物理的に解釈可能で取り扱いやすく、非可逆的または非連続的な代替手法を上回る性能を発揮した。

Figure 2: Model reduction of two-dimensional diffusion processes. (A) Potential energy functions in $\mathbb{R}^{2}$ . The solid lines consist of points $\{F^{-1}(z,0)|z\in\mathbb{R}\}$ , and points with the same colors indicate they belong to the same potential well of the reduced potential $V$ . (