用于增强采样的重加权自编码变分贝叶斯（RAVE）方法
化学物理
2018-02-13 v1 软凝聚态物质
统计力学
计算物理
摘要
本文提出重加权自编码变分贝叶斯用于增强采样（RAVE）方法，这是一种利用变分自编码器的深度学习框架来增强分子模拟中采样的新型迭代方案。RAVE 在分子模拟与深度学习之间迭代，以沿捕获分子模拟轨迹关键特征的低维潜空间产生日益准确的概率分布。利用该潜空间分布与从分子模拟采样的各种试探反应坐标分布之间的 Kullback-Leibler 散度，RAVE 确定一个最优但物理可解释的反应坐标和最优概率分布。两者随后直接作为新偏置模拟的偏置方案，该模拟再次以考虑偏置的适当权重输入深度学习模块，此过程持续直至所需热力学可观测量估计收敛。与近期使用深度学习进行增强采样的方法不同，RAVE 的突出之处在于：（a）它自然产生物理可解释的反应坐标；（b）独立于现有增强采样协议来增强通过深度学习识别的潜空间中的涨落；（c）它能够轻松滤除深度学习过程学到的伪解。RAVE 的实用性和可靠性通过对复杂度递增的模型势的应用得到证明，包括计算显式水中疏水配体-底物系统的结合自由能分布，其解离时间超过三分钟，计算机时至少比伞形采样或元动力学少二十倍。
引用
@article{arxiv.1802.03420,
title = {Reweighted Autoencoded Variational Bayes for Enhanced Sampling (RAVE)},
author = {Joao Marcelo Lamim Ribeiro and Pablo Bravo Collado and Yihang Wang and Pratyush Tiwary},
journal= {arXiv preprint arXiv:1802.03420},
year = {2018}
}