[论文解读] Differentiable Simulations for Enhanced Sampling of Rare Events

Martin Šípka, Johannes C. B. Dietschreit+2 more|arXiv (Cornell University)|Jan 9, 2023

Machine Learning in Materials Science被引用 4

一句话总结

该论文提出可微分模拟（DiffSim），在无需预先选定集体变量（CVs）的情况下，实现对罕见化学事件的发现与采样增强。通过将反应路径发现与偏置势学习联合建模为端到端的优化问题，利用路径积分损失函数，该方法通过部分反向传播和图小批量训练，实现了稳定高效的训练，成功在Muller-Brown势和丙氨酸二肽系统中识别出过渡路径，且无需事先了解CV信息。

ABSTRACT

Simulating rare events, such as the transformation of a reactant into a product in a chemical reaction typically requires enhanced sampling techniques that rely on heuristically chosen collective variables (CVs). We propose using differentiable simulations (DiffSim) for the discovery and enhanced sampling of chemical transformations without a need to resort to preselected CVs, using only a distance metric. Reaction path discovery and estimation of the biasing potential that enhances the sampling are merged into a single end-to-end problem that is solved by path-integral optimization. This is achieved by introducing multiple improvements over standard DiffSim such as partial backpropagation and graph mini-batching making DiffSim training stable and efficient. The potential of DiffSim is demonstrated in the successful discovery of transition paths for the Muller-Brown model potential as well as a benchmark chemical system - alanine dipeptide.

研究动机与目标

• 解决在高维分子系统中发现反应路径的挑战，其中传统增强采样方法依赖于人工选择的集体变量（CVs）。
• 克服CV选择中的“先有鸡还是先有蛋”问题，即识别CV需要事先了解反应路径。
• 开发一种稳健的可微分模拟框架，能够学习增强罕见事件采样的偏置势，而无需专家定义的CVs。
• 利用统一的路径积分损失函数，实现反应路径与偏置势的端到端联合优化。
• 在基准系统（包括Muller-Brown势和丙氨酸二肽）上验证该方法的有效性，且仅依赖极少的先验假设。

提出的方法

• 构建路径积分损失函数，用于度量轨迹穿越能垒的可能性，作为罕见事件发生的可微分代理指标。
• 通过整个模拟轨迹的反向传播训练可学习的偏置势，实现对偏置势的端到端优化，以增强采样效率。
• 实施部分反向传播，以稳定梯度，防止长轨迹中梯度消失或爆炸。
• 引入图小批量训练，支持随机梯度下降，提升训练稳定性和收敛性。
• 使用朗之万动力学引入有限记忆时域，自然抑制伴随梯度增长，稳定优化过程。
• 应用 .detach() 操作剪枝计算图，抑制梯度中的高频振荡。

Figure 1 : Comparison of the adjoint evolution for original and partially detached graphs for simulations on the 2D Müller-Brown potential with parameters given in Appendix F .

实验结果

研究问题

• RQ1 可微分模拟是否可用于在不依赖预选集体变量的情况下发现反应路径？
• RQ2 统一的端到端优化框架是否能有效在单一训练过程中同时学习反应路径与偏置势？
• RQ3 在具有复杂势能面的高维分子系统中，可微分模拟的训练在稳定性和效率方面表现如何？
• RQ4 该方法是否能在不了解关键二面角坐标的情况下，成功增强真实化学系统（如丙氨酸二肽）中罕见跃迁的采样？
• RQ5 所学习的偏置势在多大程度上能复现已知的自由能剖面（如从元动力学获得的PMF）？

主要发现

• 该方法在完全不了解集体变量的情况下，成功在二维Muller-Brown势中发现了过渡路径，即使在存在噪声的情况下也实现了收敛。
• 在Muller-Brown势的五维噪声版本中，该方法仍实现了高概率的跃迁观测，表现出对无关自由度的强鲁棒性。
• 在丙氨酸二肽系统中，训练后超过80%的轨迹在10 ps内完成跃迁，表明罕见事件被有效增强。
• 该方法学习到的平均偏置势与元动力学获得的参考PMF高度吻合，验证了其在捕捉自由能景观方面的准确性。
• 该方法能够从偏置轨迹中构建出简化的表示（CV），表明所学偏置隐式识别出了相关的反应坐标。
• 部分反向传播与图小批量训练的结合显著稳定了训练过程，实现了可信赖的可微分模拟优化。