潜在热力学流：从有限数据学习温度依赖行为的统一表征学习与生成模型
机器学习
2025-07-08 v1 统计力学
生物物理
化学物理
摘要
准确表征复杂分子系统平衡分布及其对环境因素(如温度)的依赖关系对于理解热力学性质和转移机制至关重要。将这些分布投影到有意义的低维表示上可实现可解释性和后续分析。最近的生成式 AI 进展，特别是诸如正规化流(Normalizing Flows, NFs)的流模型，在建模此类分布方面显示出前景，但缺乏针对性表征学习的作用。本文引入了潜在热力学流(LaTF)，一个紧密集成表征学习和生成模型的端到端框架。LaTF 将 State Predictive Information Bottleneck (SPIB) 与 NFs 统一，以同时学习低维潜在表征（称为集体变量(CVs)）、分类 metastable 状态，并跨越训练数据之外的温度生成平衡分布。表征学习和生成模型的两个组成部分得到联合优化，确保所学潜在特征捕捉系统的缓慢、重要的自由度，而生成模型准确再现系统的平衡行为。我们在多样化的系统上 demonstration LaTF 的有效性，包括模型势、Chignolin 蛋白以及 Lennard-Jones 粒子簇，进行了详尽的评估和基准测试，使用多个指标和大量仿真。最后，我们将 LaTF 应用于 RNA 四回环系统，在仅使用两个温度的仿真数据情况下，LaTF 重建了温度依赖的结构集合和熔解行为，与实验及先前大量计算结果一致。
引用
@article{arxiv.2507.03174,
title = {Latent Thermodynamic Flows: Unified Representation Learning and Generative Modeling of Temperature-Dependent Behaviors from Limited Data},
author = {Yunrui Qiu and Richard John and Lukas Herron and Pratyush Tiwary},
journal= {arXiv preprint arXiv:2507.03174},
year = {2025}
}