基于核方法的粗粒化分子动力学力场集成学习
计算物理
2020-06-24 v1 化学物理
机器学习
摘要
梯度域机器学习（GDML）是一种基于核岭回归算法学习分子势能及相关力场的精确高效方法。本文展示了如何以样本高效的方式，从全原子模拟数据中学习有效的粗粒化（CG）模型。粗粒化力场的学习遵循热力学一致性原理，即通过最小化预测粗粒化力与粗粒化坐标下全原子平均力之间的误差来实现。由于粗粒化需要对大量训练数据点进行平均，导致存储核矩阵的内存需求不切实际，因此直接使用GDML解决此问题是不可能的。在本工作中，我们提出了一种数据高效且节省内存的替代方案。利用集成学习和分层抽样，我们提出了一种双层训练方案，使GDML能够学习有效的粗粒化模型。我们通过重建丙氨酸二肽这一简单生物分子系统的粗粒化变体的自由能景观，来阐释我们的方法。我们新颖的GDML训练方案在训练集较小时产生的自由能误差小于神经网络，而在训练集足够大时则能达到相当高的精度。
引用
@article{arxiv.2005.01851,
title = {Ensemble Learning of Coarse-Grained Molecular Dynamics Force Fields with a Kernel Approach},
author = {Jiang Wang and Stefan Chmiela and Klaus-Robert Müller and Frank Noè and Cecilia Clementi},
journal= {arXiv preprint arXiv:2005.01851},
year = {2020}
}
备注
14 pages, 6 figures