基于机器学习的增强采样：综述
统计力学
2023-06-19 v2 机器学习
化学物理
计算物理
摘要
分子动力学（MD）能够以优异的时空分辨率研究物理系统，但受限于严重的时间尺度问题。为此，人们开发了增强采样方法来改善构型空间的探索。然而，实现这些方法具有挑战性且需要领域专业知识。近年来，机器学习（ML）技术在不同领域的融合展现出前景，促使它们也被采用于增强采样中。尽管 ML 常因其数据驱动特性而用于各领域，但它与增强采样的融合更为自然，存在许多共同的潜在协同。本综述通过呈现不同共享视角，探讨 ML 与增强 MD 的融合。它全面概述了这一快速发展、难以跟进的领域。我们强调如降维、强化学习和基于流的方法等成功策略。最后，我们讨论在令人振奋的 ML 增强 MD 交叉面上的开放问题。
引用
@article{arxiv.2306.09111,
title = {Enhanced Sampling with Machine Learning: A Review},
author = {Shams Mehdi and Zachary Smith and Lukas Herron and Ziyue Zou and Pratyush Tiwary},
journal= {arXiv preprint arXiv:2306.09111},
year = {2023}
}
备注
Submitted as invited article to Annual Review of Physical Chemistry vol 75; updated formatting issues