通过相对熵最小化得到深度粗粒化势
化学物理
2023-01-04 v2 计算物理
摘要
神经网络（NN）势是粗粒化（CG）模型的自然选择。其多体能力允许对平均力势进行高精度逼近，有望实现前所未有的精度的 CG 模拟。然而，通过力匹配（FM）自下而上训练的 CG NN 势存在有限数据效应：它们依赖先验势以在训练数据域外给出物理合理的预测，且相应的自由能面对过渡区的误差敏感。FM 对经典势的标准替代方案是相对熵（RE）最小化，其尚未应用于 NN 势。在本工作中，我们针对液态水与丙氨酸二肽的基准问题证明，RE 训练由于在训练期间访问 CG 分布而更具数据效率，从而改善自由能面并降低对先验势的敏感性。此外，RE 学会纠正时间积分误差，使得在 CG 分子动力学模拟中可采用更大时间步长同时保持精度。因此，我们的发现支持使用超越 FM 的训练目标作为提升 CG NN 势精度与可靠性的有前景方向。
引用
@article{arxiv.2208.10330,
title = {Deep Coarse-grained Potentials via Relative Entropy Minimization},
author = {Stephan Thaler and Maximilian Stupp and Julija Zavadlav},
journal= {arXiv preprint arXiv:2208.10330},
year = {2023}
}
备注
This is a post-peer-review, pre-copyedit version of an article published in The Journal of Chemical Physics