Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks

要約

粗視化は、関連性の低い自由度を削除しながら、ターゲットの出力に寄与する最も重要なシステムの特徴を保持する単純化された方法で原子システムを表現する分子モデリング手法です。
このモデルの複雑さの軽減により、粗粒分子シミュレーションは、対応する全原子モデルと比較して、より大きな空間的および時間的スケールに到達することができます。
粗視化における中心的な課題は、原子レベルの特性を保存する方法で新しい表現で相互作用を表す力場を構築することです。
粗粒力場を構築するための多くのアプローチでは、特定の熱力学状態点での内部変動の平均化の結果、異なる熱力学条件間の伝達性が制限されます。
ここでは、グラフ畳み込みニューラル ネットワーク アーキテクチャである Hierarchively Interacting Particle Neural Network with Tensor Sensitivity (HIP-NN-TS) を使用して、粗粒度の力場の伝達可能性を研究できる粗粒力場の高度に自動化されたトレーニング パイプラインを開発します。
フォースマッチングアプローチに基づく粒度モデル。
我々は、このアプローチにより高精度の力場が得られるだけでなく、これらの力場がさまざまな熱力学的条件を通じてより伝達可能であることも示します。
これらの結果は、グラフ ニューラル ネットワークなどの機械学習技術が、伝達可能な粗粒力場の構築を改善できる可能性を示しています。

要約(オリジナル)

Coarse-graining is a molecular modeling technique in which an atomistic system is represented in a simplified fashion that retains the most significant system features that contribute to a target output, while removing the degrees of freedom that are less relevant. This reduction in model complexity allows coarse-grained molecular simulations to reach increased spatial and temporal scales compared to corresponding all-atom models. A core challenge in coarse-graining is to construct a force field that represents the interactions in the new representation in a way that preserves the atomistic-level properties. Many approaches to building coarse-grained force fields have limited transferability between different thermodynamic conditions as a result of averaging over internal fluctuations at a specific thermodynamic state point. Here, we use a graph-convolutional neural network architecture, the Hierarchically Interacting Particle Neural Network with Tensor Sensitivity (HIP-NN-TS), to develop a highly automated training pipeline for coarse grained force fields which allows for studying the transferability of coarse-grained models based on the force-matching approach. We show that this approach not only yields highly accurate force fields, but also that these force fields are more transferable through a variety of thermodynamic conditions. These results illustrate the potential of machine learning techniques such as graph neural networks to improve the construction of transferable coarse-grained force fields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google