状态预测信息瓶颈

从分子动力学（MD）模拟产生的大量高维数据中获取意义，高度依赖于对一个低维流形（由反应坐标或 RC 参数化）的认知，该流形通常区分相关的亚稳态并捕捉感兴趣的慢动力学。多年来已提出基于机器学习和人工智能的方法来学习此类低维流形，但它们常因与更传统且具物理可解释性的方法脱节而受批评。为应对此类担忧，本工作中我们提出一种基于深度学习的状态预测信息瓶颈（SPIB）方法，从高维分子模拟轨迹中学习 RC。我们解析与数值地展示了该方法学到的 RC 与化学物理中的承诺子（committor）深度关联，并可用于准确识别过渡态。该方法的一个关键超参数是时间延迟，即算法应预测未来多远。通过对基准系统的仔细比较，我们展示了该超参数选择可对系统亚稳态分类的粗粒化程度提供有用控制。因此我们相信，该工作代表了以弥合人工智能与传统化学物理鸿沟的方式，将基于深度学习的思想系统应用于分子模拟的一步进展。