Feb, 2024

基于不确定性的集体变量增强采样的稳健分子数据集

PDF
TL;DR为机器学习的原子间势提供了能够代表分子系统可访问配置空间的数据集的生成方法，该方法利用不确定性作为集体变量以引导获取与化学相关的数据点，重点关注机器学习模型预测最不确定性的配置空间区域，并在丙氨酰二肽基准系统上验证了该方法在克服能量壁垒和探索未知能量最小值方面的有效性。
machine learned interatomic potentialspotential energy surfacesdata generationchemically-relevant data pointsactive learning framework
发现论文，激发创造
  • 深度贝叶斯模型预测集体变量发现

    通过发现 Bayesian 推理问题中的 collective variables，开发了增强采样方法，结合机器学习和变分推断方法，计算了精细尺度原子结构的样本，对物理化学属性的预测可为理解未知复杂系统的机制提供量化评估。

    Sep, 2018

  • 自编码分子增强采样技术：即时集体变量发现与自由能较快探索

    采用自编码器进行非线性机器学习，发掘具有明确和可微分函数关系的 CVs，加速沿着数据启发式的 CVs 进行偏引力采样。在模拟丙氨酸二肽和 Trp-cage 时展示了这种方法。

    Dec, 2017

  • 基于神经网络的变分增强采样

    使用机器学习技术和变分增强采样方法结合来快速采样自由能面，通过采用神经网络表示偏差来决定采样的参数，在重复学习方案中对其进行确定并打破一些壁垒

    Apr, 2019

  • 利用深度生成模型在高维自由能表面上进行无偏增强采样

    使用基于评分的扩散模型的去偏方法对温度加速分子动力学（TAMD）模拟进行测试，结果表明这种去偏方法显著优于传统的去偏方法，并且能够生成准确的无偏构象集合，适用于具有较高 CV 数量的模拟。

    Dec, 2023

  • 利用机器学习相互作用势进行自由能计算的考虑因素

    利用等变图神经网络的机器学习势能可以准确地模拟分子的能量和自由能态势，研究着重于探讨机器学习势能在考虑了分子构型的能量和多样性的情况下，准确预测自由能和转变态的能力。在对丁烷和丙二酸酰甘氨酰二肽进行 Metadynamics 模拟的基础上，我们检查了训练数据中集体变量（CVs）的分布对机器学习势能在确定系统的自由能态势上的准确性的影响。结果发现，对于丁烷，关键自由能态势区域的训练数据覆盖确保了模型的准确性，而对于丙二酸酰甘氨酰二肽，由经典分子动力学数据训练的模型明显不够准确，而基于从头算的机器学习势能在潜能能量预测上表现良好，但在自由能预测上表现不佳。本研究强调了对于准确自由能态势预测而言，组装全面的训练数据的挑战，并强调了理解自由能态势在准备训练数据时的重要性。研究指出了机器学习势能在自由能计算中的限制，强调了为有效模型训练需要涵盖系统的完整自由能态势的全面数据的必要性。

    Mar, 2024

  • 理解最近深度学习技术在识别分子动力学集体变量方面的应用

    本文研究了深度学习算法在构建高维次稳态分子系统的共同变量及其有效模拟中的应用，在基于无穷小生成器或转移算子与基础动力学相关的领先特征函数计算或通过最小化重构误差来学习自动编码器之间提出了一个简洁的概述，并在说明性示例上对这两种方法进行了比较的数值研究

    Jul, 2023

  • 具有校准的 Aleatoric 和 Epistemic 不确定性的图神经网络原子间势能集合在能量和力上的应用

    通过训练和重新校准图神经网络集合模型，预测能量和力量可以生成准确的预测和校准的不确定性估计，这是首个在机器学习神经网络中考虑了获得能量和力量上的校准的认知和偶然性不确定性预测的完整框架。

    May, 2023

  • 神经网络势能单模型的不确定性量化表现未必比模型集合更好

    本研究考察了用于提高神经网络相互作用势模型的稳健性的多个不确定性量化方案，包括平均 - 方差估计，深度证据回归和高斯混合模型，并与现有基于集成的方法进行比较。研究表明，对于不确定性量化，成本有效的单一确定性模型尚不能始终匹配或胜过集成方法。

    May, 2023

  • 利用标注数据增强几何插值来学习蛋白质折叠的集体变量

    通过使用物理启发度量标准生成模拟蛋白质折叠转变的地势插值，我们提出了一种无需模拟的数据增强策略，以改善采样效率，并在转变状态数据有限且噪音较大时，通过插值进展参数引入基于回归的学习方案来构建 Collective Variable 模型，其性能优于基于分类器的方法。

    Feb, 2024

  • 反应机器学习势能面的异常检测

    通过对反应性分子势能面（PES）应用不确定性量化（UQ）来检测具有较大预期误差的样本（异常值）。三种方法 —— 集成方法、深度证据回归（DER）和高斯混合模型（GMM）—— 被应用于 syn-Criegee 和乙烯基羟基过氧化物之间的 H 转移反应。结果表明，集成模型提供了检测异常值的最佳结果，其次是 GMM。例如，从具有最大不确定性的 1000 个结构的样本中，如果寻找具有大误差的 25 个或 1000 个结构，则异常值的检测质量分别为约 90% 和约 50%。相反，统计假设的 DER 的限制极大地影响了其预测能力。最后，发现了与大平均误差相关的基于结构的指标，这可能有助于快速将新结构分类为有利于改进神经网络的结构。

    Feb, 2024