[论文解读] Variational Coarse-Graining for Molecular Dynamics

Wujie Wang, Rafael Gómez‐Bombarelli|arXiv (Cornell University)|Dec 6, 2018

Machine Learning in Materials Science被引用 3

一句话总结

该论文提出Autograin，一种端到端的深度学习框架，通过自编码器和力匹配法联合优化粗粒化映射与势能函数。该方法实现了粗粒化变量与哈密顿量的自动化、可微分学习，在单分子及周期性体相等模型体系中实现了精确的长时间尺度模拟。

ABSTRACT

Molecular dynamics simulations provide theoretical insight into the microscopic behavior of materials in condensed phase and, as a predictive tool, enable computational design of new compounds. However, because of the large temporal and spatial scales involved in thermodynamic and kinetic phenomena in materials, atomistic simulations are often computationally unfeasible. Coarse-graining methods allow simulating larger systems, by reducing the dimensionality of the simulation, and propagating longer timesteps, by averaging out fast motions. Coarse-graining involves two coupled learning problems; defining the mapping from an all-atom to a reduced representation, and parametrizing a Hamiltonian over coarse-grained coordinates. Multiple statistical mechanics approaches have addressed the latter, but the former is generally a hand-tuned process based on chemical intuition. Here we present Autograin, an optimization framework based on auto-encoders to learn both tasks simultaneously. Autograin automatically learns the optimal mapping between all-atom and reduced representation, using the reconstruction loss to facilitate the learning of coarse-grained variables. In addition, a force-matching method is applied to variationally determine the coarse-grained potential energy function. This procedure is tested on a number of model systems including single-molecule and bulk-phase periodic simulations.

研究动机与目标

• 解决在热力学和动力学时间尺度下原子分子动力学模拟的计算不可行性。
• 克服传统粗粒化方法对人工调优、化学直觉映射的依赖。
• 开发一种统一的、可微分的框架，联合学习粗粒化表示及其对应的势能函数。
• 通过自动化、变分粗粒化方法，实现凝聚相材料的精确、长时间尺度模拟。

提出的方法

• 采用自编码器架构，学习从全原子到粗粒化构型的可微分、非线性映射。
• 最小化重构损失，以确保粗粒化表示保留全原子体系的关键结构与动力学特征。
• 应用变分力匹配方法，通过最小化粗粒化与全原子力之间的差异，学习粗粒化势能函数。
• 通过整个计算图的反向传播，同时优化映射与势能函数。
• 在单分子与周期性体相体系上验证该框架，包括具有复杂相互作用与长弛豫时间的体系。

实验结果

研究问题

• RQ1 端到端的深度学习框架是否能比人工调优方法更有效地联合优化粗粒化表示与势能函数？
• RQ2 基于自编码器的表示在不同分子环境中，能否有效保留全原子体系的物理与结构特征？
• RQ3 与标准方法相比，变分力匹配在多大程度上提升了粗粒化力预测的准确性？
• RQ4 该框架是否能在复杂体系（如周期性体相）上实现稳定且精确的长时间尺度模拟？

主要发现

• Autograin成功学习到无需依赖化学直觉的物理上有意义的粗粒化变量，其重构保真度与物理一致性得到验证。
• 通过变分力匹配实现精确的力预测，使模型可稳定集成至分子动力学引擎中。
• 使用学习得到的粗粒化模型进行的模拟，能再现原始全原子体系的长时间尺度动力学与结构特性。
• 该方法在多种体系中表现出鲁棒性，包括单分子与周期性体相体系，在不同材料类型中均保持一致的性能。