[论文解读] Enhanced Sampling with Machine Learning: A Review

Mehdi Shams, Zachary A. Smith+3 more|arXiv (Cornell University)|Jun 15, 2023

Machine Learning in Materials Science被引用 9

一句话总结

这是对将机器学习与分子动力学中的增强采样相结合的综述，涵盖降维、自适应策略以及基于流的自由能估计，并讨论未解决的问题。

ABSTRACT

Molecular dynamics (MD) enables the study of physical systems with excellent spatiotemporal resolution but suffers from severe time-scale limitations. To address this, enhanced sampling methods have been developed to improve exploration of configurational space. However, implementing these is challenging and requires domain expertise. In recent years, integration of machine learning (ML) techniques in different domains has shown promise, prompting their adoption in enhanced sampling as well. Although ML is often employed in various fields primarily due to its data-driven nature, its integration with enhanced sampling is more natural with many common underlying synergies. This review explores the merging of ML and enhanced MD by presenting different shared viewpoints. It offers a comprehensive overview of this rapidly evolving field, which can be difficult to stay updated on. We highlight successful strategies like dimensionality reduction, reinforcement learning, and flow-based methods. Finally, we discuss open problems at the exciting ML-enhanced MD interface.

研究动机与目标

• 动机：促进将机器学习与增强型MD结合，以解决时间尺度限制。
• 提供关于机器学习驱动的偏置沉积、自适应采样和广义系综策略的全面概述。
• 总结用于识别低维RCs并加速采样的最前沿机器学习方法。
• 突出在ML增强的MD界面上的开放问题与未来方向。

提出的方法

• 将增强采样分为偏置方法、自适应采样和广义系综方法。
• 讨论用于识别慢模态和反应坐标（RCs）的降维技术。
• 描述基于传输算子的方法（如VAC、TICA、kTICA）及其神经网络扩展（SRV、VAMPnets、GREST）。
• 解释信息瓶颈与生成模型方法（MESA、time-lagged autoencoders、RAVE、SPIB）在学习RCs和引导仿真中的作用。
• 解释如何将重加权与偏置校正（如Girsanov重加权）整合以从带偏轨迹中学习。
• 概要与增强采样框架的整合以及迭代改进RC的策略。

实验结果

研究问题

• RQ1 机器学习如何识别或构建能够捕捉MD中慢动力学的低维RC？
• RQ2 哪些机器学习策略最能支持自适应与广义系综采样以克服能垒？
• RQ3 在学习RC与自由能时，如何对采样过程中引入的偏差进行考虑和校正？
• RQ4 在ML增强的MD中，模型复杂度、可解释性与采样效率之间有哪些权衡？
• RQ5 在ML与增强型MD的交汇处存在哪些未解决的问题，它们如何得到解决？

主要发现

• 机器学习方法实现了自动化的CV选择和RC学习，减少了增强采样中的人工工作量。
• 基于传输算子和变分的方法（VAC、TICA、SRV）可以通过神经网络实现，以学习慢模态。
• 生成式和时间延迟模型（MESA、time-lagged autoencoders、RAVE、SPIB）使学习反映偏置动力学的RC成为可能，并改进迭代采样。
• Girsanov重加权及相关动力学校正使对带偏路径集合进行适当平均成为可能。
• 将多种增强采样类别与机器学习分析相结合的混合策略提供了对构型空间更鲁棒的探索。
• 综述指出持续存在的挑战，如模型可解释性、RC学习、对称性利用以及可靠的自由能估计。