[论文解读] Simulating Molecular Dynamics with Large Timesteps using Recurrent Neural Networks

JCS Kadupitiya, Geoffrey Fox+1 more|arXiv (Cornell University)|Apr 12, 2020

Model Reduction and Neural Networks被引用 9

一句话总结

该论文提出了一种基于循环神经网络（RNN）的积分器，能够以比标准Verlet积分器大4,000倍的时间步长来学习模拟分子动力学。该RNN在高精度Verlet轨迹上进行训练，可在多种力场下的小型3D系统中实现高达32,000倍的净速度提升，从而在无需显式计算力的情况下实现快速且精确的长时间动力学预测。

ABSTRACT

Molecular dynamics simulations rely on numerical integrators such as Verlet to solve the Newton's equations of motion. Using a sufficiently small timestep to avoid discretization errors, Verlet integrators generate a trajectory of particle positions as solutions to the equations of motions. We introduce an integrator based on recurrent neural networks that is trained on trajectories generated using Verlet integrator and learns to propagate the dynamics of particles with timestep up to 4000 times larger compared to the Verlet timestep. We demonstrate significant net speedup of up to 32000 for few-particle (1 - 16) 3D systems and over a variety of force fields.

研究动机与目标

• 为克服标准积分器（如Verlet）因需要小时间步长而造成的分子动力学模拟计算瓶颈。
• 开发一种基于学习的积分器，能够以远大于传统方法的时间步长准确传播粒子动力学。
• 在各种力场和系统尺寸下，实现显著的模拟时间加速，同时保持高精度。
• 在高保真Verlet轨迹上训练循环神经网络，以学习分子系统的内在动力学。

提出的方法

• 在使用小时间步长生成的Verlet积分器轨迹上训练循环神经网络，以学习粒子位置的时间演化。
• 将RNN用作可微分的动力学模型，将当前粒子位置和速度映射到下一步位置，从而绕过显式力计算。
• 采用序列到序列的学习框架，使RNN处理粒子状态序列，以预测大时间步长下的未来状态。
• 通过最小化长期时间范围内粒子位置预测误差的损失函数来优化RNN。
• 使用训练好的RNN以高达Verlet时间步长4,000倍的时间步长进行动力学模拟，从而实现更快的模拟速度。
• 在多个3D系统（1–16个粒子）和力场中评估性能，以评估泛化能力和速度提升效果。

实验结果

研究问题

• RQ1 循环神经网络能否学习以远大于标准Verlet积分器所用时间步长的时间步长来模拟分子动力学？
• RQ2 用学习得到的RNN替代传统积分器后，能够实现多大的速度提升？
• RQ3 RNN在不同力场和系统尺寸下的准确性与稳定性方面，泛化能力如何？
• RQ4 与参考Verlet轨迹相比，学习得到的RNN在多大程度上保持了长期动力学行为？

主要发现

• 与Verlet积分器相比，基于RNN的积分器在少量粒子（1–16个）的3D系统中实现了高达32,000倍的净速度提升。
• 该方法可在时间步长达到Verlet时间步长4,000倍的同时保持高精度。
• RNN在多种力场（包括Lennard-Jones、谐振以及更复杂的势能）之间具有良好的泛化能力。
• 即使在大时间步长下，学习得到的动力学仍能保持长期稳定和高精度。
• 该方法显著降低了计算成本，且在推理阶段无需显式计算力。