面向机器学习驱动的分子动力学的主动学习
机器学习
2026-05-29 v3 原子与分子团簇
摘要
机器学习生成的粗粒度(CG)势能虽然快速,但当模拟到达欠取样的生物分子构象时会性能衰减。生成大量全原子(AA)数据以缓解此问题在计算上是不可行的。我们提出一种用于CG神经网络势函数的分子动力学(MD)中的主动学习(AL)框架。基于CGSchNet模型,我们采用基于均方根偏差(RMSD)的帧选择从MD模拟中生成数据,通过查询信使在神经网络势函数训练期间生成数据。该框架保持CG水平的效率,同时在精确的RMSD识别的覆盖缺口处纠正模型。通过训练CGSchNet,一种粗粒度神经网络势函数,我们实证表明该框架探索了以前未见的构象,并在构象空间中未探索的区域上进行训练。我们的主动学习框架使以Chignolin蛋白为训练对象的CGSchNet模型在基于Time-lagged独立分量分析(TICA)空间的Wasserstein-1(W1)指标上实现33.05%的改进。
引用
@article{arxiv.2509.17208,
title = {Active Learning for Machine Learning Driven Molecular Dynamics},
author = {Kevin Bachelor and Sanya Murdeshwar and Daniel Sabo and Razvan Marinescu},
journal= {arXiv preprint arXiv:2509.17208},
year = {2026}
}
备注
9 pages, 4 figures, for Neurips Workshop: Machine Learning and the Physical Sciences 2025