利用可微模拟学习成对势
化学物理
2023-02-08 v1 机器学习
计算物理
摘要
从实验或模拟数据中学习成对相互作用对分子模拟具有重要意义。我们提出一种利用可微模拟（DiffSim）从数据学习成对相互作用的通用随机方法。DiffSim 通过分子动力学（MD）模拟，基于径向分布函数等结构观测量定义损失函数。随后利用随机梯度下降直接学习相互作用势，通过反向传播计算结构损失度量相对于相互作用势在 MD 模拟中的梯度。这种基于梯度的方法灵活且可配置为同时模拟并优化多个体系。例如，可同时学习不同温度或不同组分下的势。我们通过从径向分布函数恢复如 Lennard-Jones 体系等简单成对势来演示该方法。我们发现，与传统方法（如迭代玻尔兹曼反演）相比，DiffSim 可用于探索更宽泛的成对势函数空间。我们表明，我们的方法可同时拟合不同组分与温度下的模拟势，从而提升所学势的可迁移性。
引用
@article{arxiv.2209.07679,
title = {Learning Pair Potentials using Differentiable Simulations},
author = {Wujie Wang and Zhenghao Wu and Rafael Gómez-Bombarelli},
journal= {arXiv preprint arXiv:2209.07679},
year = {2023}
}
备注
12 pages, 10 figures