使用正则化稀疏自编码器预测优质反应坐标及分子动力学轨迹的未来演化：一种新颖的深度学习方法
化学物理
2024-01-17 v3 机器学习
定量方法
统计方法学
机器学习
摘要
鉴于反应坐标(RCs)在决定化学反应进程中的关键作用，识别反应坐标一直是活跃的研究领域。反应坐标的选择通常基于启发式知识。然而，选择的一个重要标准是该坐标应明确区分反应物与产物状态。此外，该坐标应为最慢的坐标，以便所有其他自由度可沿反应坐标轻松平衡。我们使用正则化稀疏自编码器（一种基于能量的模型）来发现一组关键的反应坐标。除发现反应坐标外，我们的模型还能预测分子动力学(MD)轨迹的演化。我们展示了引入强制稀疏的正则化有助于选择少量但重要的反应坐标集合。我们使用两个模型系统来展示我们的方法：丙氨酸二肽系统以及普鲁黄与DNA系统，后者在水环境中表现出普鲁黄嵌入DNA小沟的现象。我们将MD轨迹建模为多变量时间序列，我们的潜变量模型执行多步时间序列预测任务。该思想受流行的稀疏编码方法启发——将每个输入样本表示为取自一组代表性模式的少数元素的线性组合。
引用
@article{arxiv.2208.10962,
title = {Prediction of good reaction coordinates and future evolution of MD trajectories using Regularized Sparse Autoencoders: A novel deep learning approach},
author = {Abhijit Gupta},
journal= {arXiv preprint arXiv:2208.10962},
year = {2024}
}
备注
Disagreement with my PhD supervisor about open-sourcing the publication and affiliation