通过主动增强采样揭示隐藏势垒

基于集体变量（CV）或序参量的增强采样算法因其能够高效探索复杂系统的粗糙势能面而取得了巨大成功。然而，源自垂直于 CV 的正交空间的微观构型简并性，可能遮蔽“隐藏势垒”并极大降低基于 CV 的采样效率。在此，我们证明系统化的机器学习 CV，通过增强采样，可以在运行中迭代地解除此类简并。我们引入一种主动学习方案，该方案由基于深度神经网络的参数化 CV 学习器和基于 CV 的增强采样器组成。我们的主动增强采样（AES）算法能够基于历史样本识别信息最贫乏的区域，在 CV 学习器和采样器之间形成正反馈回路。该方法通过逐步提升样本完备性和 CV 质量，能够全局保留动力学特征。