[论文解读] Estimating Gibbs free energies via isobaric-isothermal flows

Peter Wirnsberger, Borja Ibarz+1 more|arXiv (Cornell University)|May 22, 2023

Theoretical and Computational Physics被引用 4

一句话总结

该论文提出NPT-flow，一种归一化流模型，可联合生成粒子坐标与单斜晶系盒参数，以采样等压等温系综（NPT），实现吉布斯自由能的直接估计。该方法在估算立方相与六方相冰之间的自由能差时表现出高精度，无需重加权即可匹配分子动力学基线，并在512粒子系统中展现出良好的可扩展性，统计效率损失极小。

ABSTRACT

We present a machine-learning model based on normalizing flows that is trained to sample from the isobaric-isothermal ensemble. In our approach, we approximate the joint distribution of a fully-flexible triclinic simulation box and particle coordinates to achieve a desired internal pressure. This novel extension of flow-based sampling to the isobaric-isothermal ensemble yields direct estimates of Gibbs free energies. We test our NPT-flow on monatomic water in the cubic and hexagonal ice phases and find excellent agreement of Gibbs free energies and other observables compared with established baselines.

研究动机与目标

• 开发一种机器学习模型，能够从等压等温系综（NPT）中采样，这对于研究相变和平衡晶体结构至关重要。
• 利用基于流的生成模型实现吉布斯自由能的直接、无偏估计，克服现有归一化流模型仅限于正则系综（NVT）的局限。
• 在立方相与六方相冰的单原子水体系上验证该方法，将自由能估计值与结构可观测量与既有的分子动力学基线进行比较。
• 证明联合学习粒子坐标与盒形参数不会降低采样质量或训练效率，相比仅NVT的流模型。

提出的方法

• NPT-flow使用可逆、可微的神经网络架构，对固定N、P和T条件下粒子坐标与单斜晶系盒形参数（六个自由度）的联合分布进行建模。
• 通过最大似然估计，利用基分布（高斯-仿射）与基于流的变换，使模型逼近目标等压等温玻尔兹曼分布。
• 该方法利用归一化流的精确似然与独立采样能力，通过重要性采样计算期望值与自由能差。
• 该流架构在标准NVT归一化流基础上扩展，将盒参数作为潜在空间的一部分，实现粒子位置与盒几何的联合生成。
• 模型采用基于似然的目标函数，以最小化学习到的NPT分布与目标NPT分布之间的Kullback-Leibler散度。
• 未应用显式重加权；该方法直接从流生成的样本中估计可观测量与自由能。

实验结果

研究问题

• RQ1 能否通过联合建模粒子坐标与盒形参数，将归一化流扩展至采样等压等温系综（NPT）？
• RQ2 此类模型能否在无需额外重加权或参考数据的情况下，提供准确的吉布斯自由能直接估计？
• RQ3 与分子动力学相比，NPT-flow在捕捉相变及冰相之间自由能差方面的表现如何？
• RQ4 与仅NVT的流模型相比，引入盒参数生成是否会显著降低采样质量或训练效率？

主要发现

• 在200 K与常压下，NPT-flow对立方相与六方相冰之间吉布斯自由能差的估计值为6.70(32) J/mol（512粒子），与分子动力学基线值6.51(57) J/mol高度一致。
• 对于64粒子系统，NPT-flow估计的自由能差为51.76(3) J/mol，与分子动力学基线值51.64(27) J/mol极为吻合。
• 该模型在无需任何重加权程序的情况下，对两种冰相的结构与能量可观测量均实现了高精度预测。
• 在512粒子六方相冰系统中，有效样本量（ESS）降至0.15%，但由于具备并行采样能力，方法仍保持计算高效。
• NPT-flow在训练时间、硬件需求与采样质量方面与先前仅NVT的流模型表现相当，表明联合生成盒与粒子是可行的。
• 该方法表明，基于流的模型可几乎无额外架构或训练开销地扩展至NPT系综，实现自由能的直接估计。