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

要約

熱力学積分 (TI) は、一連の補間構造アンサンブルを積分することにより、自由エネルギーの差を推定するための厳密な方法を提供します。
ただし、TI 計算は計算コストが高く、十分な構造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、通常は少数の自由度の結合に限定されます。
この研究では、訓練可能なニューラル ネットワーク (ニューラル TI と呼ぶ) によって表される錬金術経路に沿って TI を実行することを提案します。
重要なのは、相互作用するシステムと非相互作用するシステムの間で補間する時間依存のハミルトニアンをパラメータ化し、ノイズ除去拡散目的を使用してその勾配を最適化することです。
結果として得られるエネルギーベースの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できるため、単一の参照計算から TI を実行できます。
私たちはこの方法をレナード・ジョーンズ流体に適用し、過剰な化学ポテンシャルの正確な計算を報告し、Neural TI が一度に数百の自由度を結合できることを実証しました。

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 denoising-diffusion 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 is capable of coupling hundreds of degrees of freedom at once.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google