[论文解读] Reaction coordinate flows for model reduction of molecular kinetics

Hao Wu, Frank Noé|arXiv (Cornell University)|Sep 11, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

该论文提出RC flow，一种基于归一化流的方法，可联合发现非线性反应坐标并利用布朗运动动力学建模其简化动力学。通过利用可逆归一化流和数据驱动的参数估计，RC flow 实现了可解释性、连续时间且可计算的低维动力学模型，在捕捉分子模拟数据中的亚稳态和跃迁动力学方面优于现有方法。

ABSTRACT

In this work, we introduce a flow based machine learning approach, called reaction coordinate (RC) flow, for discovery of low-dimensional kinetic models of molecular systems. The RC flow utilizes a normalizing flow to design the coordinate transformation and a Brownian dynamics model to approximate the kinetics of RC, where all model parameters can be estimated in a data-driven manner. In contrast to existing model reduction methods for molecular kinetics, RC flow offers a trainable and tractable model of reduced kinetics in continuous time and space due to the invertibility of the normalizing flow. Furthermore, the Brownian dynamics-based reduced kinetic model investigated in this work yields a readily discernible representation of metastable states within the phase space of the molecular system. Numerical experiments demonstrate how effectively the proposed method discovers interpretable and accurate low-dimensional representations of given full-state kinetics from simulations.

研究动机与目标

• 开发一种数据驱动的连续时间模型简化框架，用于分子动力学，以克服传统慢变量识别方法的局限性。
• 实现可解释的低维反应坐标的发现，同时保留亚稳态和跃迁路径。
• 利用归一化流和布朗运动动力学，构建一种可计算、可逆且可训练的简化动力学模型。
• 通过利用可逆变换，解决高维分子系统中条件分布的不可计算性问题。
• 提供一种可扩展且泛化能力强的方法，用于模型简化，超越线性或时间尺度分离的假设。

提出的方法

• RC flow 使用归一化流（NF）学习从全状态分子构型到反应坐标（RCs）的可逆变换，确保双射映射和可计算的概率密度估计。
• 该方法使用伊藤型随机微分方程（SDE）对沿RC的简化动力学进行建模，提供可解释且连续时间的动力学。
• 所有模型参数——包括NF和SDE系数——均通过最大似然法从模拟数据中估计，支持端到端训练。
• NF 实现为具有12个耦合块和3层MLP的RealNVP架构，确保可逆性并实现高效的似然计算。
• 该方法使用重要性采样（算法2）近似RC空间中的跃迁概率，从而评估动力学精度。
• 在高维系统中，通过TICA进行预训练，以提高优化稳定性并改善初始RC质量。

Figure 1: Diagram of RC flow for model reduction of molecular kinetics. The NF $F$ transforms state $\mathbf{x}_{t}$ into a vector consisting of the RC $\mathbf{z}_{t}$ and the noise $\mathbf{v}_{t}\sim\mathcal{N}(\mathbf{0},\mathbf{I})$ . Correspondingly, $\mathbf{x}_{t+\tau}$ can be reconstructed

实验结果

研究问题

• RQ1 能否使用归一化流以数据驱动、可逆且连续的方式联合发现非线性反应坐标并建模其简化动力学？
• RQ2 与现有模型简化技术相比，RC flow 在保留亚稳态和跃迁路径方面表现如何？
• RQ3 基于布朗运动动力学的简化动力学近似在低维表示中，对可解释性和准确性的提升程度如何？
• RQ4 RC flow 是否能推广到缺乏明显时间尺度分离的系统，其中传统慢变量方法失效？
• RQ5 归一化流的可逆性在从简化模型重建全状态动力学方面有何增强作用？

主要发现

• RC flow 有效发现了可解释的低维反应坐标，能准确表示分子系统中的亚稳态和跃迁路径。
• 该方法在预测长时间动力学方面表现出高精度，简化模型的隐含时间尺度与全状态系统的实际时间尺度高度一致。
• 使用归一化流实现了精确的概率密度估计和可逆映射，使得可从RC模型重建全状态动力学。
• 在双势阱、穆勒势、瑞士卷和丙氨酸二肽系统上的数值实验表明，该方法在多样化分子景观中均表现出一致的性能。
• 基于布朗运动动力学的简化模型提供了物理解释性强且可计算的动力学表示，优于非可逆或非连续的替代方法。

Figure 2: Model reduction of two-dimensional diffusion processes. (A) Potential energy functions in $\mathbb{R}^{2}$ . The solid lines consist of points $\{F^{-1}(z,0)|z\in\mathbb{R}\}$ , and points with the same colors indicate they belong to the same potential well of the reduced potential $V$ . (