增强分子动力学模拟器中探索空间的控制以通过生成式控制策略简化从头分析
机器学习
2023-07-25 v2 材料科学
摘要
本研究引入 P5 模型——一种利用强化学习(RL)来增强分子动力学模拟(MD)中控制、有效性和可扩展性的基础方法。我们的创新策略优化了目标聚合物链构象的采样，实现了超过 37.1% 的效率提升。RL 诱导的控制策略充当归纳偏置，调节布朗力以将系统导向偏好状态，从而将构型空间的探索扩展到传统 MD 所允许的范围之外。这种扩展的探索生成了更多样的构象集合并 targeting 特定属性，这一特征对聚合物开发、药物发现和材料设计中的进展至关重要。我们的技术在研究先验知识有限的新系统时具有显著优势，为利用生成式技术解决复杂模拟问题开辟了新方法。
引用
@article{arxiv.2306.14705,
title = {Augmenting Control over Exploration Space in Molecular Dynamics Simulators to Streamline De Novo Analysis through Generative Control Policies},
author = {Paloma Gonzalez-Rojas and Andrew Emmel and Luis Martinez and Neil Malur and Gregory Rutledge},
journal= {arXiv preprint arXiv:2306.14705},
year = {2023}
}
备注
ICML 2023 Workshop on Structured Probabilistic Inference (SPIGM) and Generative Modeling, of the International Conference of Machine Learning (ICML)