Enhanced Sampling with Machine Learning: A Review

要約

分子動力学 (MD) を使用すると、優れた時空間分解能で物理システムを研究できますが、時間スケールには厳しい制限があります。
これに対処するために、構成空間の探索を改善するための強化されたサンプリング手法が開発されました。
ただし、これらの実装は困難であり、ドメインの専門知識が必要です。
近年、さまざまなドメインでの機械学習 (ML) 技術の統合が期待されており、強化されたサンプリングでもその採用が促進されています。
ML は主にデータ駆動型の性質によりさまざまな分野でよく使用されますが、強化されたサンプリングとの統合は、多くの共通の基礎的な相乗効果により、より自然になります。
このレビューでは、さまざまな共通の視点を提示することで、ML と強化された MD の融合を検討します。
この急速に進化する分野の包括的な概要を提供しますが、常に最新情報を入手するのは難しい場合があります。
次元削減、強化学習、フローベースの手法など、成功した戦略を紹介します。
最後に、エキサイティングな ML 拡張 MD インターフェイスにおける未解決の問題について説明します。

要約(オリジナル)

Molecular dynamics (MD) enables the study of physical systems with excellent spatiotemporal resolution but suffers from severe time-scale limitations. To address this, enhanced sampling methods have been developed to improve exploration of configurational space. However, implementing these is challenging and requires domain expertise. In recent years, integration of machine learning (ML) techniques in different domains has shown promise, prompting their adoption in enhanced sampling as well. Although ML is often employed in various fields primarily due to its data-driven nature, its integration with enhanced sampling is more natural with many common underlying synergies. This review explores the merging of ML and enhanced MD by presenting different shared viewpoints. It offers a comprehensive overview of this rapidly evolving field, which can be difficult to stay updated on. We highlight successful strategies like dimensionality reduction, reinforcement learning, and flow-based methods. Finally, we discuss open problems at the exciting ML-enhanced MD interface.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google