Conditioning Normalizing Flows for Rare Event Sampling

要約

複雑な分子プロセスのダイナミクスを理解することは、多くの場合、長寿命の安定状態間のまれな遷移の研究に関連付けられます。
このような稀なイベントのサンプリングに対する標準的なアプローチは、軌道空間内のランダム ウォークを使用して遷移パスのアンサンブルを生成することです。
ただし、これには、その後にサンプリングされるパス間の相関が強いという欠点があり、サンプリング プロセスの並列化が本質的に困難になります。
ニューラル ネットワークで生成された構成に基づいて、遷移パス サンプリング スキームを提案します。
これらは、所定の分布から統計的に独立したサンプルを生成できるニューラル ネットワーク クラスである正規化フローを使用して取得されます。
このアプローチにより、訪問パス間の相関が除去されるだけでなく、サンプリング プロセスが簡単に並列化可能になります。
さらに、正規化フローを調整することにより、構成のサンプリングを対象領域に向けて誘導することができます。
このアプローチにより、遷移領域の熱力学と動力学の両方の解決が可能になることを示します。

要約(オリジナル)

Understanding the dynamics of complex molecular processes is often linked to the study of infrequent transitions between long-lived stable states. The standard approach to the sampling of such rare events is to generate an ensemble of transition paths using a random walk in trajectory space. This, however, comes with the drawback of strong correlations between subsequently sampled paths and with an intrinsic difficulty in parallelizing the sampling process. We propose a transition path sampling scheme based on neural-network generated configurations. These are obtained employing normalizing flows, a neural network class able to generate statistically independent samples from a given distribution. With this approach, not only are correlations between visited paths removed, but the sampling process becomes easily parallelizable. Moreover, by conditioning the normalizing flow, the sampling of configurations can be steered towards regions of interest. We show that this approach enables the resolution of both the thermodynamics and kinetics of the transition region.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google