Аннотация: Основное внимание при моделировании молекулярной динамики уделяется тому, как создать модель для описания взаимодействия между молекулами.
Эта статья опубликована в сообществе HUAWEI CLOUD.«Моделирование ИИ — моделирование молекулярной динамики», Автор: Muzi_007.
1. Предпосылки
Моделирование молекулярной динамики широко используется в медицине, химии, биологии, материалах и других областях.Изучение микроструктуры моделируемых веществ может помочь нам понять макроскопические свойства веществ и даже делать прогнозы относительно макроскопических свойств веществ.Микроскопическая структура веществ определяется взаимодействием между атомами, поэтому основное внимание при моделировании молекулярной динамики уделяется тому, как создать модель для описания взаимодействия между молекулами.
Существует два традиционных метода моделирования: DFT (первые принципы) и эмпирические силовые поля.
DFT
DFT также известен как первый принцип.Конкретный процесс моделирования и расчета очень сложен и требует очень глубоких знаний математики и предметной области.
Модель, построенную с помощью DFT, можно рассматривать как черный ящик, по входным данным можно рассчитать состояние атомов в следующем кадре системы.
Результаты расчета DFT относительно точны, но поскольку вычислительные затраты слишком высоки, вычислительная эффективность слишком низка, и он может моделировать только физическую систему с несколькими сотнями атомов.
эмпирическое силовое поле
Эмпирическое силовое поле — это функция более высокого порядка, построенная людьми при изучении физической системы на основе ее физических свойств и некоторых экспериментальных результатов, а также некоторого опыта обработки, например функции потенциальной энергии при изучении благородных газов.
Этот метод построения очень эффективен в вычислительном отношении, но сам метод моделирования определяет его низкую точность. Следовательно, в традиционном моделировании молекулярной динамики существует дилемма, то есть она не может учитывать как эффективность, так и точность.С популяризацией глубокого обучения у этой дилеммы есть решение. Далее я кратко расскажу об идее моделирования DeepMD, фреймворка для моделирования молекулярной динамики.
2. Моделирование ИИ (на примере воды H2O)
Взаимодействия на микроскопических частицах
По сути, это многомерная функция координат атомного пространства. Если эту функцию можно рассчитать, то производительность и точность могут быть сбалансированы во время моделирования. Традиционным математическим инструментам не хватает эффективных средств для многомерных функций, в то время как глубокое обучение ИИ, которое по существу математический инструмент. Он предоставляет мощный инструмент для аппроксимации многомерных функций.Далее будет представлена идея и процесс моделирования. Прежде всего, уточним нашу цель и условия, которые у нас есть:
Цель: Чтобы построить сеть глубокого обучения, вы можете, наконец, обучить и вычислить многомерную функцию (обучить модель) для представления этой физической системы, и окончательный результат расчета будет аналогичен результату расчета из первых принципов.
Модель:
данные обучения и тестирования:
Атомные состояния различных систем отсчета в системе, рассчитанные из первых принципов, включая координату атома, координатный ящик пространственного масштаба, энергию системы, силу каждого атома в системе.
тренироваться:
Потеря уровня обучения L2
2.1 Обработка данных
С помощью приведенного выше анализа модель, которую мы хотим установить, входные данные - это координаты атомов в системе, а выходные данные - потенциальная энергия системы и сила, действующая на атомы.Однако есть одна вещь, которая требует особого внимания. Если он вращается, перемещается или обменивается двумя своими атомами водорода, то энергия постоянна.
Мы интуитивно понимаем, что это изменение является нормальным, но с точки зрения модели это требует, чтобы после изменения координат вывод мог оставаться таким же, как и до изменения, что для модели часто невозможно, поэтому перед фактическим входом в глубокую при обучении сети DNN необходимо выполнить некоторую обработку исходных атомных трехмерных координат, чтобы она могла удовлетворять инвариантности переноса, вращения и обмена в пространстве.
2.1.1 Трансляционная инвариантность
Чтобы обеспечить трансляционную инвариантность, мы можем создать матрицу расстояний Ri, преобразовав левую часть атомов в пространстве в относительные расстояния между атомами.
Матрица расстояний сглаживается в соответствии с атомной центральной рамкой, устанавливая влияние атомов за пределами радиуса усечения на 0.
2.1.2 Инвариантность по обмену и вращению
Для соблюдения обменной и вращательной инвариантности в пространстве необходимо внести некоторые изменения в матрицу расстояний.Вот выводы
Создайте матрицу G и выразите дескриптор среды D в следующей форме, которая может удовлетворять обмену пространством.
В то же время, поскольку матрица расстояний остается самой собой после изменения поворота, она также удовлетворяет инвариантности поворота.
Таким образом, координаты пространства преобразуются в реальный физический смысл описания среды D, который может участвовать в следующем обучении сети DNN.
2.2 Обучение всей сети
На этом построение обучающей сети завершено, как показано на следующем рисунке.
Глубинный потенциал строится следующим образом:
Описание среды
Сила атома рассчитывается в соответствии с его гладкой потенциальной энергией и получается следующим образом, что фактически получается путем вычисления градиента поверхности потенциальной энергии атома.
Функция потерь определяется как
Затем завершается моделирование, а затем завершается конкретная реализация.
3. Резюме
Вышеупомянутое только разделяет некоторые из идей построения фреймворка DeepMD-kit.Существует много фреймворков и идей в области моделирования молекулярной динамики, которые стоит изучить и изучить.Например, для того, чтобы расширить охват модели до Распределение физической сцены, необходимо случайным образом выбирать и генерировать данные в процессе обучения. Пусть модель делает прогнозы. Если прогнозы неточны, добавьте данные в обучающий набор и продолжите обучение. Эта операция заключается в том, что DeepGen, другой фреймворк DeepMD-kit, делает. Я обобщу некоторые идеи дизайна и алгоритмы позже, когда у меня будет время. Оптимизированный контент.
Нажмите «Подписаться», чтобы впервые узнать о новых технологиях HUAWEI CLOUD~