图神经网络-状态预测信息瓶颈(GNN-SPIB)方法用于分子热力学与动力学
机器学习
2024-09-19 v1 软凝聚态物质
统计力学
摘要
分子动力学模拟提供对原子运动的详细见解，但面临时间尺度限制。增强抽样方法已解决这些挑战，但即使有机器学习方法，往往仍依赖于预选的专家基于特征。在本工作中，我们提出图神经网络-状态预测信息瓶颈(GNN-SPIB)框架，将图神经网络与状态预测信息瓶颈结合，自动从原子坐标中学习低维表示。我们在三个基准系统上进行测试，该方法预测慢过程的关键结构、热力学和动力学信息，展示了在多样化系统中的鲁棒性。该方法在复杂系统中显示出在无需预定义反应坐标或输入特征的情况下即可实现有效增强抽样的潜力。
引用
@article{arxiv.2409.11843,
title = {Graph Neural Network-State Predictive Information Bottleneck (GNN-SPIB) approach for learning molecular thermodynamics and kinetics},
author = {Ziyue Zou and Dedi Wang and Pratyush Tiwary},
journal= {arXiv preprint arXiv:2409.11843},
year = {2024}
}