无描述子集成变量来自几何图神经网络
计算物理
2026-03-03 v3
摘要
增强抽样仿真使得对罕见事件的计算研究变得可行。一大类此类方法关键依赖于定义一些集成变量 (CV)，以提供相关物理过程的低维表征。最近提出了许多方法，通过利用机器学习工具从仿真数据中直接学习变量，以半自动化地设计 CV。然而，大多数方法基于前馈神经网络，需要作为输入一些用户定义的物理描述子。我们提出通过使用图神经网络直接使用原子坐标作为 CV 模型的输入，从而绕过上述步骤。如此一来，我们实现了一种完全自动化的 CV 确定方法，能够提供在相关对称性（尤其是置换对称性）下的不变变量。此外，我们提供不同的分析工具，以促进最终 CV 的物理解释。我们使用文献中不同的方法来验证该方法的鲁棒性，并在多个系统上验证其有效性，包括小肽、显式溶剂中的离子解离以及简单化学反应。
引用
@article{arxiv.2409.07339,
title = {Descriptors-free Collective Variables From Geometric Graph Neural Networks},
author = {Jintu Zhang and Luigi Bonati and Enrico Trizio and Odin Zhang and Yu Kang and TingJun Hou and Michele Parrinello},
journal= {arXiv preprint arXiv:2409.07339},
year = {2026}
}