[论文解读] Learning Hamiltonian Flow Maps: Mean Flow Consistency for Large-Timestep Molecular Dynamics

Winfried Ripken, Michael Plainer+6 more|arXiv (Cornell University)|Jan 29, 2026

Machine Learning in Materials Science被引用 0

一句话总结

引入以轨迹无关的平均流一致性目标训练的哈密顿流映射，以在使用从头算数据的情况下实现大时间步长的稳定分子动力学，而无需生成轨迹。

ABSTRACT

Simulating the long-time evolution of Hamiltonian systems is limited by the small timesteps required for stable numerical integration. To overcome this constraint, we introduce a framework to learn Hamiltonian Flow Maps by predicting the mean phase-space evolution over a chosen time span, enabling stable large-timestep updates far beyond the stability limits of classical integrators. To this end, we impose a Mean Flow consistency condition for time-averaged Hamiltonian dynamics. Unlike prior approaches, this allows training on independent phase-space samples without access to future states, avoiding expensive trajectory generation. Validated across diverse Hamiltonian systems, our method in particular improves upon molecular dynamics simulations using machine-learned force fields (MLFF). Our models maintain comparable training and inference cost, but support significantly larger integration timesteps while trained directly on widely-available trajectory-free MLFF datasets.

研究动机与目标

• 通过实现大时间步长仿真来降低长时间哈密顿动力学的计算成本的动机。
• 提出基于平均流一致性的轨迹无关训练目标，用于学习哈密顿流映射。
• 能够直接在标准MLFF数据集上进行训练，而不需要轨迹生成或教师模型。
• 在保持物理约束的前提下，展示在不同系统中稳定、精确的大时间步长MD滚动。

提出的方法

• 对一个哈密顿流映射进行建模，使其在时间间隔Δt内推进相空间状态。
• 将起点条件的平均位移场定义为在区间[t, t+Δt]上的时间平均速度和力。
• 通过对平均位移求导并强制其与瞬时动力学匹配，推导出轨迹无关的一致性方程。
• 训练一个神经网络以预测平均位移，损失函数结合瞬时力与时间一致性项（Mean Flow）。
• 通过将学习到的平均位移乘以Δt并加上当前状态， recover 完整的哈密顿流映射。
• 使用雅可比向量积来高效评估损失，并采用停止梯度目标以降低计算开销。
• 在推理时应用滤波（能量/角动量守恒、平移去除、随机旋转）以稳定滚动。

Figure 1 : Hamiltonian Flow Maps (HFMs) for large timesteps in phase space. Top row : Existing approaches rely on trajectory data, typically generated using a teacher MLFF through sequential simulation with small timesteps. While this enables training large-timestep models via direct regression, the

实验结果

研究问题

• RQ1 轨迹无关的平均流一致性目标是否能从瞬时力和位置数据学习出高精度的大时间步长哈密顿流映射？
• RQ2 在去相关的MLFF数据集上不需要轨迹即可训练，是否能实现对多种系统的稳定大时间步长MD滚动，同时保持物理可观测量？
• RQ3 与经典积分器（如Velocity Verlet）在大时间步长下相比，学习到的流映射在单粒子、N体和分子系统上的表现如何？
• RQ4 方法是否能够在单一模型中同时恢复瞬时力和时间平均动力学？
• RQ5 在不同分子系统中，该方法的数据效率和稳定性极限是多少？

主要发现

• HFMs在远超标准MLFF稳定性极限的时间步长下实现稳定滚动。
• 在去相关的瞬时数据上训练的HFMs在较小时间步长时与MLFF基线相当，在较大时间步长时超越它们。
• 在4个分子案例（阿司匹林、乙醇、萘苯、水杨酸）中，HFMs在Δt达到9 fs时保持精度，1 fs时的MAE接近或优于MLFF，随后逐步增大但稳定至9 fs。
• NVE模拟下，HFMs比基于VV的基线更快地探索构象空间，证据在对对乙酰氨基酚的Ramachandran图中。
• HFMs在NVT模拟中能够准确再现结构统计（h(r) MAE），并产生可靠的时间观测量（功率谱）。
• 对于丙氨酸二肽，Δtmax≈15 fs的HFMs在Δt≈12 fs时产生准确的自由能表面，显示对复杂亚稳态系统的可扩展性。

Figure 2 : HFMs vs. classical integration: Symplectic integrators such as Velocity Verlet (VV) advance the system through many local half-steps (left). HFMs instead predict the phase-space displacement over the interval directly (right). By modeling the mean velocity and force $(\bar{{{\bm{v}}}},\ba