[논문 리뷰] Simulating Molecular Dynamics with Large Timesteps using Recurrent Neural Networks

JCS Kadupitiya, Geoffrey Fox외 1명|arXiv (Cornell University)|2020. 04. 12.

Model Reduction and Neural Networks인용 수 9

한 줄 요약

이 논문은 표준 Verlet 적분기에서 사용하는 것보다 최대 4,000배 큰 시간 간격을 사용하여 분자 동역학를 학습하여 시뮬레이션하는 RNN 기반 적분기를 제안한다. 고정밀 Verlet 궤적에서 훈련된 RNN은 다양한 힘 장력에서 소형 3차원 시스템에서 최대 32,000배의 순속도 향상을 달성하며, 명시적 힘 평가 없이도 장시간의 정확한 동역학 예측을 가능하게 한다.

ABSTRACT

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

연구 동기 및 목표

• 표준 적분기(예: Verlet)가 요구하는 작은 시간 간격으로 인해 발생하는 분자 동역학 시뮬레이션의 계산적 병목 현상을 해결하기 위해.
• 기존 방법보다 훨씬 큰 시간 간격으로 입자 운동을 정확하게 전파할 수 있는 학습 기반 적분기를 개발하기 위해.
• 다양한 힘 장력과 시스템 크기에서 정확성을 유지하면서도 시뮬레이션 시간을 크게 단축시키기 위해.
• 고정밀 Verlet 궤적에서 학습하여 분자 시스템의 기본 동역학을 학습하는 RNN을 훈련시키기 위해.

제안 방법

• 작은 시간 간격을 사용해 Verlet 적분기로 생성된 궤적에서 RNN을 훈련하여 입자 위치의 시간에 따른 변화를 학습하기 위해.
• 현재 입자 위치와 속도를 다음 단계의 위치로 매핑하는 미분 가능한 동역학 모델로 RNN을 사용하여 명시적 힘 계산을 생략하기 위해.
• 입자 상태의 시퀀스를 처리하여 큰 시간 간격으로 미래 상태를 예측하는 시퀀스-투-시퀀스 학습 프레임워크를 활용하기 위해.
• 장기간의 시간 간격 동안 입자 위치 예측 오차를 최소화하는 손실 함수를 사용해 RNN을 최적화하기 위해.
• 훈련된 RNN을 사용해 Verlet 시간 간격보다 최대 4,000배 큰 시간 간격으로 시뮬레이션을 수행하여 더 빠른 시뮬레이션을 가능하게 하기 위해.
• 일반화성과 속도 향상을 평가하기 위해 여러 3차원 시스템(1~16개 입자)과 힘 장력에서 성능을 평가하기 위해.

실험 결과

연구 질문

• RQ1 RNN은 표준 Verlet 적분기에서 사용하는 것보다 훨씬 큰 시간 간격으로 분자 동역학를 학습하여 시뮬레이션할 수 있는가?
• RQ2 기존 적분기를 학습된 RNN 기반 대체품으로 대체할 경우 어떤 정도의 속도 향상을 달성할 수 있는가?
• RQ3 다양한 힘 장력과 시스템 크기에서 정확성과 안정성 측면에서 RNN의 일반화 능력은 어느 정도인가?
• RQ4 학습된 RNN은 기준 Verlet 궤적과 비교해 장기간의 동역학적 행동을 어느 정도 유지하는가?

주요 결과

• RNN 기반 적분기는 Verlet 적분기 대비 소입자(1~16개) 3차원 시스템에서 최대 32,000배의 순속도 향상을 달성한다.
• Verlet 시간 간격보다 최대 4,000배 큰 시간 간격을 사용하면서도 높은 정확도를 유지한다.
• Lennard-Jones, 조화력, 더 복잡한 잠재력 등 다양한 힘 장력에 일반화된다.
• 큰 시간 간격을 사용함에도 불구하고 장기간의 시뮬레이션 동안 안정적이고 정확한 동역학을 유지한다.
• 추론 과정에서 명시적 힘 평가가 필요 없이 계산 비용을 크게 줄일 수 있다.