[论文解读] OpenMM 8: Molecular Dynamics Simulation with Machine Learning Potentials

Peter Eastman, Raimondas Galvelis+23 more|arXiv (Cornell University)|Oct 4, 2023

Machine Learning in Materials Science被引用 20

一句话总结

OpenMM 8 通过将任意 PyTorch 模型整合来计算力和能量，新增对机器学习势的支持，提供更高层次的接口和优化的 CUDA 内核，在水中的 CDK8 和 GFP 上进行了演示。

ABSTRACT

Machine learning plays an important and growing role in molecular simulation. The newest version of the OpenMM molecular dynamics toolkit introduces new features to support the use of machine learning potentials. Arbitrary PyTorch models can be added to a simulation and used to compute forces and energy. A higher-level interface allows users to easily model their molecules of interest with general purpose, pretrained potential functions. A collection of optimized CUDA kernels and custom PyTorch operations greatly improves the speed of simulations. We demonstrate these features on simulations of cyclin-dependent kinase 8 (CDK8) and the green fluorescent protein (GFP) chromophore in water. Taken together, these features make it practical to use machine learning to improve the accuracy of simulations at only a modest increase in cost.

研究动机与目标

• 将机器学习势引入 OpenMM 的分子动力学工具包。
• 允许任意 PyTorch 模型在模拟中计算力和能量。
• 提供用于使用预训练 ML 势建模分子的高层接口。
• 通过优化的 CUDA 内核和自定义 PyTorch 运算来提升性能。

提出的方法

• 将任意 PyTorch 模型整合到 OpenMM 模拟中以计算力和能量。
• 为用户提供用预训练势建模分子的更高层界面。
• 实现优化的 CUDA 内核和自定义 PyTorch 运算以加速模拟。
• 在真实系统（CDK8 激酶和水中 GFP 色团）上演示可用性与性能。

实验结果

研究问题

• RQ1 如何将任意 PyTorch 模型集成到 OpenMM 中以在分子动力学过程中计算力和能量？
• RQ2 ML 势在 OpenMM 中对分子动力学模拟的准确性有何影响？
• RQ3 使用优化的 CUDA 内核和自定义 PyTorch 运算可以实现哪些性能提升？
• RQ4 在水中的 CDK8 和 GFP 等特定生物分子系统建模中，基于 ML 的势的实用性有多大？

主要发现

• ML 势可以通过 PyTorch 模型整合到 OpenMM 中以计算力和能量。
• 更高层界面使得对分子建模时使用预训练的 ML 势变得更容易。
• 优化的 CUDA 内核和自定义 PyTorch 运算显著提升了模拟速度。
• 在水中的 CDK8 和 GFP 的演示显示了 ML 势在成本/准确性上的实际收益。