用于稀有事件增强采样集体变量的多任务机器学习

计算准确的反应速率是计算化学与生物学的核心挑战，因为使用无偏分子动力学进行自由能估计的成本很高。本工作中，设计了一种数据驱动的机器学习算法，利用多任务神经网络学习集体变量，其中公共上游部分将原子构型的高维空间降维至低维潜空间，独立下游部分将潜空间映射至对 basin 类标签和势能的预测。所得潜空间被证明是一种有效的低维表示，捕捉反应进程并指导有效的伞形采样以获得准确的自由能地形。该方法成功应用于包括 5D M"uller Brown 模型、5D 三阱模型以及真空中的丙氨酸二肽等模型系统。该方法实现了复杂系统中能量控制反应的自动化降维，提供了一个可用有限数据训练的统一样架，并且优于包括自编码器在内的单任务学习方法。