On the design space between molecular mechanics and machine learning force fields

要約

量子力学 (QM) と同じくらい正確で分子力学 (MM) と同じくらい高速な力場は、定量的な洞察を得るのに十分効率的かつ有意義に生体分子システムをシミュレートできるものであり、生物物理学者の最も熱望する夢の 1 つです。
とはいえ、夢はすぐに実現するわけではありません。
機械学習力場 (MLFF) は、この方向に向けた有意義な取り組みを表しており、微分可能な神経機能が非経験的なエネルギーに適合するようにパラメーター化され、さらに自動微分によって力が加えられます。
現時点では、MLFF モデルの有用性はもはや精度によってボトルネックになっているわけではなく、主にその速度 (および安定性と一般化可能性) によってボトルネックになっていると主張します。これは、限られた化学空間上での最近の多くのバリアントが化学精度をはるかに上回っているためです。
$1$ kcal/mol — これを超えると現実的な化学予測が可能になる経験的な閾値 — ただし、それでも MM よりも小さい。
おそらく精度が若干劣るものの、より高速な MLFF の探索と設計を促進することを期待して、このレビューでは、MM 力場と ML 力場の間の設計空間 (速度と精度のトレードオフ) に焦点を当てます。
いずれかの種類の力場の構成要素を簡単にレビューした後、力場開発コミュニティが現在直面している望ましい特性と課題について議論し、MM 力場をより正確にし、ML 力場を高速化する取り組みを調査し、どのようなものかを構想します。
次世代の MLFF は次のようになります。

要約(オリジナル)

A force field as accurate as quantum mechanics (QM) and as fast as molecular mechanics (MM), with which one can simulate a biomolecular system efficiently enough and meaningfully enough to get quantitative insights, is among the most ardent dreams of biophysicists — a dream, nevertheless, not to be fulfilled any time soon. Machine learning force fields (MLFFs) represent a meaningful endeavor towards this direction, where differentiable neural functions are parametrized to fit ab initio energies, and furthermore forces through automatic differentiation. We argue that, as of now, the utility of the MLFF models is no longer bottlenecked by accuracy but primarily by their speed (as well as stability and generalizability), as many recent variants, on limited chemical spaces, have long surpassed the chemical accuracy of $1$ kcal/mol — the empirical threshold beyond which realistic chemical predictions are possible — though still magnitudes slower than MM. Hoping to kindle explorations and designs of faster, albeit perhaps slightly less accurate MLFFs, in this review, we focus our attention on the design space (the speed-accuracy tradeoff) between MM and ML force fields. After a brief review of the building blocks of force fields of either kind, we discuss the desired properties and challenges now faced by the force field development community, survey the efforts to make MM force fields more accurate and ML force fields faster, envision what the next generation of MLFF might look like.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google