[论文解读] Accelerated Markov Chain Monte Carlo Simulation via Neural Network-Driven Importance Sampling

Michael Kim, Wei Cai|arXiv (Cornell University)|Jan 31, 2026

Machine Learning in Materials Science被引用 0

一句话总结

提出一种重要性抽样框架，通过学习神经网络参数化的偏置势能（以及可选的重要性函数）来偏置跃迁概率，以加速稀有转变的MCMC，并采用BRW方差降低策略和广义有限区域表述。

ABSTRACT

Atomistic simulations provide valuable insights into the physical processes governing material behavior. However, their applicability is fundamentally constrained by the limited time scales accessible to brute-force simulations. This bottleneck often stems from complex energy landscapes where the systems stay trapped in metastable states for long periods of time. Yet, the long-term evolution is controlled by the transitions between the metastable states, which are rare events and difficult to observe. We present an importance sampling method designed to accelerate the time scale of Markov chain Monte Carlo (MCMC) simulations. By employing a bias potential, our approach enhances the sampling of rare transition events while preserving the relative probabilities of distinct transition pathways. The bias potential is represented by a neural network which enables the flexibility needed for high-dimensional systems. We propose a rigorous formulation to obtain the original transition rates between metastable states using transition paths obtained from the biased simulation. We further use a branching random walk (BRW) technique to enhance efficiency and to reduce variance. The proposed methodology is validated on 2-dimensional and 14-dimensional systems, demonstrating its accuracy and scalability.

研究动机与目标

• 由于亚稳态陷阱导致的原子尺度模拟时间尺度受限问题。
• 开发一种保持相对路径概率的同时加速跃迁的重要性抽样框架。
• 引入偏置势能的神经网络表示以处理高维系统。
• 提供一个鲁棒、与连续介质兼容的有限区域失效/成功表述以稳定离散化。
• 结合分支随机游走的方差降低以及偏置势能的实用训练方案。

提出的方法

• 通过修改跳跃概率并引入重要性函数I(i)来实现稀有转变的重要性抽样，同时确保归一化。
• 引入带辅助状态F和S的扩展域来定义失效和成功，从而实现一个广义、对离散化鲁棒的框架。
• 将最优性条件定义为修改后转移矩阵的右特征向量Iopt(i)，将I(i)与离散的反应分布（committor）函数联系起来。
• 通过从F到S的平均首次通过时间来估计跃迁率rFS，使用pS(F)和平均失效时间tFF，由Iopt(F)引导速率计算。
• 采用神经网络参数化的偏置势 Eb(i;θ) 以规避下溢并稳定训练；使用来自归一化约束的损失Lθ进行优化，并进行自适应采样。
• 使用分支随机游走（BRW）高效采样路径并控制估计器方差，结合路径复制的随机取整。

实验结果

研究问题

• RQ1 如何在保持竞争路径相对概率的前提下，将重要性抽样形式化以加速稀有状态转变？
• RQ2 神经网络驱动的偏置势能（或其对数形式）能否在高维系统中稳定并扩展重要性抽样方法？
• RQ3 通过BRW和有限区域表述，如何在偏置仿真中准确恢复两稳态之间的跃迁率？
• RQ4 当网格细化增加维度时，所提框架是否仍然有效，且粗网格训练是否可迁移到更细网格？
• RQ5 哪种实际的训练方案（自适应抽样、退火）能确保偏置势能收敛并得到精确的速率估计？

主要发现

• 该方法将稀有事件抽样重新表述为最优重要性函数的优化问题，使偏置跃迁的同时保持路径概率。
• 引入辅助状态F和S的广义、对离散化鲁棒的表述，稳定边界定义并确保网格间距变化时收敛。
• 神经网络参数化的偏置势 Eb(i;θ) 使训练稳定且速率估计无偏，损失函数实现归一化等条件。
• 分支随机游走提供方差降低和可扩展的路径采样，在高维情形下提高效率。
• 框架通过均值首次通过时间得到rFS，并结合pS(F)和Eb的修正，保持对温度和网格间距的正确依赖性（ν0标度）。
• 神经网络偏置可以在粗网格上训练并直接应用于更细网格，而无需重新训练，在不同分辨率下保持效率。