利用可解释人工智能（XAI）解释深度神经网络得到的丙氨酸二肽异构化反应坐标
化学物理
2022-04-22 v3 软凝聚态物质
摘要
为识别复杂分子系统中区分产物与反应物的过渡态，需要一种获取适当反应坐标的方法。近来，大量研究致力于利用深度学习文献中的人工神经网络获取反应坐标，其输入层通常使用许多集体变量。然而，由于深度神经网络中非线性函数的复杂性，很难解释哪些集体变量对预测的反应坐标有贡献。为克服这一局限，我们使用了可解释人工智能（XAI）方法，即局部可解释模型无关解释（LIME）和基于博弈论的 Shapley Additive exPlanations（SHAP）框架。我们证明 XAI 使我们能够获得每个集体变量对反应坐标的贡献程度，该反应坐标由真空下丙氨酸二肽异构化 committor 的深度学习非线性回归确定。特别是，LIME 和 SHAP 都为预测的反应坐标提供了重要特征，其特征是适当的二面角，与先前 committor 检验分析报道的一致。本研究提供了一种解释适当反应坐标的 AI 辅助框架，当自由度数量增加时具有重要意义。
引用
@article{arxiv.2202.07276,
title = {Explaining reaction coordinates of alanine dipeptide isomerization obtained from deep neural networks using Explainable Artificial Intelligence (XAI)},
author = {Takuma Kikutsuji and Yusuke Mori and Kei-ichi Okazaki and Toshifumi Mori and Kang Kim and Nobuyuki Matubayasi},
journal= {arXiv preprint arXiv:2202.07276},
year = {2022}
}
备注
9 pages, 5 figures, 2 tables, to appear in J. Chem. Phys