Neural Thermodynamic Integration: Free Energies from Energy-based Diffusion Models

要約

熱力学的積分（TI）は、コンフォーメーションアンサンブルを補間する一連の積分によって自由エネルギー差を推定する厳密な方法である。しかし、TI計算は計算コストが高く、十分なコンフォーメーション空間の重なりを持つ多数の中間アンサンブルをサンプリングする必要があるため、通常、少数の自由度のカップリングに制限される。本研究では、学習可能なニューラルネットワークで表現される錬金術的経路に沿ってTIを行うことを提案する。具体的には、相互作用系と非相互作用系の間を補間する時間依存ハミルトニアンをパラメトリック化し、スコアマッチングを用いてその勾配を最適化する。その結果得られたエネルギーに基づく拡散モデルは、すべての中間アンサンブルをサンプリングすることができるため、単一の参照計算からTIを実行することができる。本手法をLennard-Jones流体に適用し、過剰化学ポテンシャルの正確な計算結果を報告し、Neural TIがハミルトニアンを補間するシミュレーションを必要とせずに、自由エネルギーの根本的な変化を再現することを実証する。

要約(オリジナル)

Thermodynamic integration (TI) offers a rigorous method for estimating free-energy differences by integrating over a sequence of interpolating conformational ensembles. However, TI calculations are computationally expensive and typically limited to coupling a small number of degrees of freedom due to the need to sample numerous intermediate ensembles with sufficient conformational-space overlap. In this work, we propose to perform TI along an alchemical pathway represented by a trainable neural network, which we term Neural TI. Critically, we parametrize a time-dependent Hamiltonian interpolating between the interacting and non-interacting systems, and optimize its gradient using a score matching objective. The ability of the resulting energy-based diffusion model to sample all intermediate ensembles allows us to perform TI from a single reference calculation. We apply our method to Lennard-Jones fluids, where we report accurate calculations of the excess chemical potential, demonstrating that Neural TI reproduces the underlying changes in free energy without the need for simulations at interpolating Hamiltonians.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL