计算化学公社

标题: Reinforced Dynamics（RiD）案例：使用深度学习辅助解决分子动力学中的采样问题 [打印本页]

作者
Author: farfarcheng 时间: 2023-6-8 14:27
标题: Reinforced Dynamics（RiD）案例：使用深度学习辅助解决分子动力学中的采样问题
本帖最后由 farfarcheng 于 2023-6-8 14:36 编辑

【分子动力学中的采样问题】

分子动力学（Molecular Dynamics，MD）是一种计算分子系统的运动和相互作用的数值模拟方法。在分子动力学模拟中，楼主已经在之前写的一篇文章中介绍了势能函数的重要性，详情可戳：DMFF：分子力场开发新利器，势能函数是否准确决定了分子动力学采样得到的构型是否能够满足真实的分布。但是另一方面，即使势能函数准确，我们还需要考虑“采样问题（Sampling Problem）”。采样问题是指在有限的模拟时间内，系统可能无法充分遍历其全部可能的构象空间。

举个例子。在模拟过程中，系统需要克服一定的能量障碍才能从一个稳定构象转移到另一个稳定构象。也正因此，系统可能会陷入局部能量最小值区域，而无法跳出这个区域去探索其他可能的构象。这会导致模拟结果受到局部极小值的影响，无法准确反映系统的整体行为。让我们来看一下如下的一个势能函数：

(, 下载次数 Times of downloads: 13)

在恒定温度的条件下(NVT系综)，体系在二维空间的平衡概率分布可以表达为：

(, 下载次数 Times of downloads: 11)

可以想象，如果体系一开始在左边的 (-2, 0) 构型位置，那么在这样一个势能函数的作用下，在恒定温度的条件下，体系会在 Valley 1 附近做大量的振荡，在很长一段时间中都无法跳过能量势垒转换到右边的 Valley 2 的能量低点，这样也就无法探索到整个能量曲面中的低能构型，那么我们就很难通过模拟的方式来得到该体系在二维空间低能构型的概率分布。

【增强采样与 Reinforced Dynamics（RiD）】

针对采样效率问题，很多增强采样方法（Enhanced Sampling）被提出，大致可分为 CV-free 方法和 CV-based 方法。

CV-free 方法。如温度副本交换动力学（Replica Exchange Molecular Dynamics, REMD），在模拟过程中交换高温下的轨迹与低温下的轨迹，通过升高温度加快体系越过自由能势垒的过程。
CV-based 方法。如元动力学（Metadynamics），在探索过的反应坐标（也叫集合变量，Collective Variables，CVs）上施加高斯函数形式的偏置势，迫使体系向未探索的区域演化。这里的反应坐标是指一组关于体系直角坐标系的函数，它往往描述了体系演化过程中较慢的自由度。加快这些慢自由度能够大大加快体系的演化速度。

在这两类方法中，能选定反应坐标的体系，基于偏置势的方法一般更高效。元动力学方法的核心是在模拟中加上关于反应坐标的偏置势函数，以期跃过这些反应坐标上的自由能势垒。让我们来看如下这张图：

(, 下载次数 Times of downloads: 16)

在上图中，最下图的黑线代表体系关于反应坐标 s 的真实自由能面，体系初始位于 s = 0 的位置，元动力学方法在模拟中不断地在原有的势能面上加入局域的高斯势函数（各彩色线），从而让体系能够从模拟的起始点 s = 0 去探索到自由能面的其他位置。如最上图所示，体系的反应坐标一开始在 s = -4 附近振荡，接着被偏置势拉到另一个自由能最低点 s = 4，最终在整个自由能面上较为均匀的探索。

在我们的反应坐标 CV 数量比较少的时候效果非常显著，但是可以想到，CV 数量变多的时候（大于 4 维的时候），元动力法在模拟中要加的高斯势的数量也会指数级地增加，从而对计算量造成极大的需求，使得这个方法是不切实际的。这一点其实和机器学习领域的很多问题是类似的，本质上都是”维数灾难“的原因，而近些年来机器学习领域的发展对于这样的高维问题有了很好的处理工具，这个工具就是神经网络。

RiD（Reinforced Dynamics）方法便是利用了神经网络的优势，它作为一种 CV-based 的增强采样方法，与其他 CV-based 的方法比如元动力学（Metadynamics）不同，RiD 在反应坐标上加入的偏置势并不是高斯势函数的，而是利用神经网络学习出来一种能够最有效逃离能量低点的函数，正因为如此，RiD 的最大优势在于可以处理 CV 维数比较高的问题，这使得 RiD 在处理复杂体系和化学反应时具有更高的灵活性和准确性。在 RiD 中，先使用分子动力学模拟进行随机探索（Exploration），然后对已有的采样点进行自由能函数的学习（Exploitation），帮助下一次循环中的探索步骤加速采样。之后，不断进行 Exploration-Exploitation 循环以探索整个构象空间。

(, 下载次数 Times of downloads: 14)

【Notebook案例｜上手 RiD 增强采样方法】

此案例将详细介绍 RiD 的原理和应用，帮助大家更好地理解这种增强采样方法在分子动力学模拟中的作用。RiD 是如何通过深度学习方法进行增强采样？又为什么能够带来更高的灵活性和准确性？

Notebook链接：https://bohrium.dp.tech/notebook/183efb27570f42eeaba4091cd56bdd28

欢迎关注我们的微信公众号NBHub，获取更多有趣的 Notebook 实践～感兴趣的童鞋可以查看原文：https://mp.weixin.qq.com/s?__biz=Mzg5NTk3Nzk3MQ==&mid=2247484229&idx=1&sn=83d80f7da811f97db91b917fd830c9f3&chksm=c00953d9f77edacfc6c6bb0a54ea34ce4d98059926e2e649e189bbd22a3d3d7552ebfd92d7fe&token=986737626&lang=zh_CN#rd

欢迎光临计算化学公社 (http://bbs.keinsci.com/)