从增强采样模拟中重加权流形学习集体变量
化学物理
2024-04-04 v2 机器学习
计算物理
摘要
增强采样方法在计算物理与化学中不可或缺，其中由于采样问题，原子模拟无法穷尽采样动力系统的高维构型空间。一类此类增强采样方法通过识别少数慢自由度（称为集体变量，CVs）并沿这些 CVs 增强采样来工作。选择 CVs 以分析和驱动采样并非易事，常依赖物理与化学直觉。尽管常使用流形学习从标准模拟中直接估计 CVs 以规避此问题，但此类方法无法从增强采样模拟提供到低维流形的映射，因为所学流形的几何与密度是有偏的。此处，我们解决这一关键问题，并提供一个基于各向异性扩散映射的通用重加权流形学习框架，其考虑了学习数据集是从偏置概率分布中采样的。我们考虑基于构建描述高维样本间转移概率的马尔可夫链的流形学习方法。我们展示我们的框架可逆转偏置效应，产生正确描述平衡密度的 CVs。这一进展使得能够利用流形学习从增强采样模拟生成的数据直接构建低维 CVs。我们称此框架为重加权流形学习。我们展示其可用于标准与增强采样模拟数据上的多种流形学习技术。
引用
@article{arxiv.2207.14554,
title = {Reweighted Manifold Learning of Collective Variables from Enhanced Sampling Simulations},
author = {Jakub Rydzewski and Ming Chen and Tushar K. Ghosh and Omar Valsson},
journal= {arXiv preprint arXiv:2207.14554},
year = {2024}
}
备注
Published version