May, 2023

等压等温流法计算吉布斯自由能

PDF
TL;DR本文提出了一种基于正则流的机器学习模型，旨在从等温等压（NPT）集合中进行采样。通过对完全灵活的三斜晶模拟盒和粒子坐标的联合分布的近似来实现所需的内部压力。将该模型在立方冰和六角冰相的单原子水上进行测试，发现与已有基线相比，Gibbs 自由能和其他可观测量表现出良好的一致性。
machine-learningnormalizing flowsisobaric-isothermal ensembletriclinic simulation boxgibbs free energy
发现论文，激发创造
  • 带条件的正规化流方法高效映射相图

    通过深度生成机器学习模型和热力学状态的条件正则化流，我们可以高效地生成整个相图的平衡样本，并在预测固液共存线时降低所需能量评估数量。

    Jun, 2024

  • 基于可微的热性质深度生成模型的正则系综建模

    提出了一种具有可微温度的变分建模方法，通过深度生成模型，在连续温度范围内同时估计和最小化自由能，应用于研究 Ising 模型和 XY 模型中的相变，并显示出相对于 Markov Chain Monte Carlo（MCMC）模拟更高效准确的直接采样模拟，此外，这种方法能够以温度的可微函数给出热力学量，与精确解的自由能二阶导数非常接近，因此这种温度依赖性的包含使得原来有偏差的变分模型能够捕捉到相变中的微妙热效应，这些发现为使用深度生成模型直接模拟物理系统提供了新的思路。

    Apr, 2024

  • 基于条件归一化流的粗粒化分子表示的主动学习

    本研究通过将问题分为精细程度和粗粒程度两个层面来解决 Boltzmann 分布的高效采样问题。利用粗粒程度空间上的条件正则流，实现了两个层面之间的概率联系，并使用主动学习的粗粒程度模拟来探索构型空间，从而在必要时更新流和进行全原子势能评估，通过丙氨酸二肽的实例表明，与当前最先进的机器学习方法相比，本方法在分子动力学仿真加速上可达到 15.9 至 216.2 倍的加速比。

    Feb, 2024

  • 可扩展的归一化流为大分子提供玻尔兹曼生成器

    利用分裂通道和门控注意力的新型流架构，结合 2-Wasserstein 损失函数，使得 Boltzmann 生成器能够有效地学习蛋白质的构象分布，并在标准架构和训练策略无法成功的情况下，成功地模拟了蛋白质 G 和 HP35 的构象分布。

    Jan, 2024

  • E (n) 等变标准化流

    介绍了一种生成模型，E（n）同变标准化流（E -NFs），并将歧视性的 E（n）图神经网络作为微分方程集成为可逆的同变函数：连续时间标准化流。它在粒子系统（如 DW4 和 LJ13）以及 QM9 的分子方面表现出了比基线和现有方法更好的对数似然度，是第一种共同生成 3D 中分子特征和位置的流。

    May, 2021

  • 平滑归一化流

    本文介绍了一种使用混合变换的规范连续流方法，可应用于计算力和高阶导数所需的平滑密度函数，并可用于分子动力学模拟。

    Oct, 2021

  • 等变流：对具有对称能量的多体系统进行配置抽样

    本文介绍了通过等变流建立的 Boltzmann Generators, 以便推广其结果，同时演示了一个等变 BG 可以推广到采样非平凡的新配置。

    Oct, 2019

  • 神经热力学积分：基于能量扩散模型的自由能

    通过使用可训练的神经网络来代表一个在时间上依赖的哈密顿量，我们提出了一种名为神经 TI 的方法，该方法能够从单个参考计算中进行 TI，从而能够耦合数百个自由度并进行精确计算过程。

    Jun, 2024

  • 晶格场论中的正则流介绍

    本文介绍一种使用正则化流方法对晶格场论的 Boltzmann 分布进行采样的方法，特别是在 U（1）规范理论中应用流动方法的编码，以产生包含规范对称性的物理量的结果。

    Jan, 2021

  • 基于生成流网络的无集体变量转移路径采样

    通过生成流网络，我们的 TPS-GFN 方法在不依赖 CV 的情况下通过分子轨迹进行能量感知抽样，从而产生比之前的不依赖 CV 的机器学习方法更真实和多样化的转变路径。

    May, 2024