Resetting Metadynamics
本文首次将随机重置与 Metadynamics 结合，在集合变量次优时仍可获得接近最优变量的加速，并能提取无偏平均首次通过时间。
2023-07-12 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Data-Driven Collective Variables for Enhanced Sampling
设计一套适当的集体变量对几种增强抽样方法的成功至关重要。在这里，我们专注于如何获得这些变量的信息仅限于亚稳态。我们通过一个大的描述符集来描述这些状态，并采用神经网络在低维空间中压缩这些信息，使用Fisher线性判别作为目标函数，以最大限度地提高网络的判别能力。我们使用由原子距离组成的非线性可分离数据集，在丙氨酸二肽上测试了该方法。然后，我们研究了分子间的aldol反应，其特征在于由一个协调的机制。由此产生的变量是能够促进采样绘制非线性路径连接亚稳盆地之间的波动的物理空间。最后，我们通过研究它与物理变量的关系来解释神经网络的行为。通过识别其最相关的特征，我们能够获得对该过程的化学洞察。
2020-04-07 physics.chem-ph physics.comp-ph
Data-driven path collective variables
Sorbonne Université（索邦大学）；Institut des Sciences du Calcul et des Données（计算与数据科学研究所）；Muséum National d’Histoire Naturelle（法国国家自然历史博物馆）；Institut de Minéralogie, de Physique des Matériaux et de Cosmochimie（矿物学、材料物理与宇宙化学研究所）；Physicochimie des Électrolytes et Nanosystèmes Interfaciaux（电解质与界面纳米系统物理化学实验室）；Institut Universitaire de France（法国大学研究院）
本文提出一种数据驱动的路径集合变量方法，通过核岭回归提交者概率生成一维可解释变量，在沉淀模型和离子缔合应用中验证其有效性，并揭示全局描述符与溶剂化壳层的关键作用。
2023-12-21 cs.LG physics.chem-ph physics.comp-ph
The equation of state of the n-vector model: collective variables method
研究了三维n矢量模型在外场作用下的临界行为。数学描述进行集体变量（CV）方法的框架下的$ρ^4$模型近似在微观水平上没有任何可调参数。得到了重整化群（RG）随外场和温度的递推关系，得到了温度$T>T_c$和不同n时系统自由能的解析表达式.写出了一般情况下小外场和大外场的n矢量模型的状态方程。导出了不同序参量值时相应标度函数的显式表达式。所得结果与蒙特卡罗模拟的数据定性一致。
2010-05-06 cond-mat.stat-mech physics.comp-ph
Efficient Monte Carlo sampling of metastable systems using non-local collective variable updates
CMAP, CNRS, École polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院）；Laboratoire de Physique de l’École normale supérieure ENS, Université PSL, CNRS, Sorbonne Université, Université de Paris（巴黎高等师范学院）；CERMICS, CNRS, ENPC, Institut Polytechnique de Paris（巴黎国立路桥学校）；MATHERIALS team-project, Inria Paris（法国国家数字科学研究所）
本文提出一种非局部集体变量更新算法，用于高效采样 metastable 系统，通过证明算法可逆性并展示其在分子系统中的性能提升。
2026-04-17 cond-mat.stat-mech physics.comp-ph
Finding Efficient Collective Variables: The Case of Crystallization
一些增强的抽样方法，如伞式抽样或元自相关法，依赖于确定一套适当的集体变量。最近提出了两种方法，以减轻确定有效的集体变量的任务。一个是基于线性判别分析，其他的构象动力学的变分方法，并使用时滞独立成分分析。在本文中，我们比较了这两种方法的性能在两个简单的金属均匀结晶的研究。我们专注于钠和铝和搜索最有效的集体变量，可以表示为一个线性组合的X射线衍射峰强度。我们发现这两种方法的性能非常相似。然而，基于线性判别分析的方法，在其谐波版本中，是优选的，因为它更简单，计算量少得多。
2018-09-13 cond-mat.mtrl-sci physics.comp-ph
Deep learning path-like collective variable for enhanced sampling molecular dynamics
本研究提出名为DeepLNE的新型类路径集合变量，结合可微广义自动编码器与连续k近邻选择，无需预定义界标即可学习反应路径，在玩具模型和RNA四环模拟中实现了增强采样与自由能收敛。
2024-02-02 physics.bio-ph physics.chem-ph physics.comp-ph
Temperature Accelerated Monte Carlo (TAMC): a method for sampling the free energy surface of non-analytical collective variables
介绍了一种新的方法来模拟稀有事件的物理。该方法是温度加速分子动力学的一种扩展，当用来描述罕见事件的集体变量是非分析性的或如此复杂以至于计算它们的导数是不实际的时，该方法就被使用了。我们通过研究Lennard-Jones颗粒样品中的均匀结晶来说明该方法的功能。通过引入一个新的集体变量，我们称之为有效核尺寸$\mathcal N$的过程进行了研究。我们计算了自由能垒和临界核的尺寸，结果与文献中的数据一致。我们还进行了模拟，在液相区的相图。我们发现一个自由能曲线单调增长的核的大小，符合液体域。
2011-02-01 physics.comp-ph
A unified framework for machine learning collective variables for enhanced sampling simulations: $\texttt{mlcolvar}$
本文提出 Python 库 $\ exttt{mlcolvar}$，统一支持降维、亚稳态分类和慢模式识别等集体变量构建，并通过 PLUMED 接口与多任务学习框架服务于增强采样模拟。
2023-06-13 physics.comp-ph
From Atoms to Dynamics: Learning the Committor Without Collective Variables
本文提出基于几何向量感知机的图神经网络，直接由原子坐标学习committor函数，无需手工集体变量，并可解释关键原子、估计速率常数及识别反应坐标。
2025-07-23 cond-mat.stat-mech physics.comp-ph physics.data-an
Maximum Flux Transition Paths of Conformational Change
给定一个生物分子系统的两个亚稳态A和B，问题是计算从A到B跃迁的可能路径。这样的计算是更翔实和更易于管理的，如果做了一个减少集合的集体变量选择，使路径集群在集体变量空间。计算任务变成了计算这样一个集群的“中心”。定义中心的一个好方法是使用提交者的概念，它在集体变量空间中的一点的值是该点的轨迹在A之前到达B的概率。提交者将过渡区“划分”为一组isocommittor。最大通量转变路径被定义为在（局部地）具有不同反应轨迹的最高交叉率的点处交叉每个isocommitator的路径。(This路径不同于Huo和Straub的MaxFlux方法。有人认为，这样的路径是更接近一个理想的路径比别人已经提出了可能的例外的有限温度弦方法path.To使计算易于处理，三个近似介绍，产生的路径是一个非奇异的两点边值问题的解决方案。对于这样的问题，人们可以构造一个简单而鲁棒的算法。一个这样的算法和它的性能进行了讨论。
2010-01-01 physics.chem-ph physics.comp-ph
Multitask machine learning of collective variables for enhanced sampling of rare events
Harvard University（哈佛大学）
计算准确的反应速率是计算化学和生物学中的一个核心挑战，因为无偏分子动力学的自由能估计成本很高。在这项工作中，设计了一种数据驱动的机器学习算法，通过多任务神经网络学习集体变量，其中一个共同的上游部分将原子配置的高维数减少到低维的潜在空间，并且单独的下游部分将潜在空间映射到盆地类标签和势能的预测。由此产生的潜在空间被证明是一个有效的低维表示，捕捉反应的进展和指导有效的伞采样，以获得准确的自由能景观。该方法成功地应用于模型系统，包括5D Müller Brown模型，5D三阱模型和真空中的丙氨酸二肽。这种方法能够在复杂系统中实现能量控制反应的自动降维，提供了一个可以用有限数据训练的统一框架，并且优于单任务学习方法，包括自动编码器。
2020-12-07 cs.LG physics.chem-ph physics.comp-ph
How to Differentiate Collective Variables in Free Energy Codes: Computer-Algebra Code Generation and Automatic Differentiation
集体变量的正确选择是分子动力学模拟中偏置采样自由能重构方法的核心。例如，PLUMED 2库提供了几个复杂的CV选择，在C++框架中实现;但是，由于需要为所有函数的解析导数提供代码，因此开发新的CV仍然很耗时。我们提出了两种解决方案，即（a）符号微分和代码生成，（b）自动代码微分，在这两种情况下利用开源库（SymPy和Stan Math分别）。这两种方法进行了详细的演示和讨论，实施一个现实的例子CV，局部曲率半径的聚合物。用户可以使用代码作为模板，使用高级构造和自动梯度计算来简化自己的CV的实现。
2018-02-27 physics.comp-ph
Predictive Collective Variable Discovery with Deep Bayesian Models
University of Notre Dame（圣母大学）；Technical University of Munich（慕尼黑工业大学）
生物化学和材料科学中考虑的复杂原子系统模型的时空尺度限制需要开发增强的采样方法。通过增强的采样方法探索构型空间的潜在加速取决于集体变量（CV）的选择。在这项工作中，我们制定的CV的发现作为一个贝叶斯推断的问题，并考虑CV作为隐藏的发电机的全原子的轨迹。使用有限的训练数据生成精细尺度原子结构样本的能力使我们能够计算可观测量的估计以及我们对它们的概率置信度。该方法是基于机器学习和变分推断的新兴方法进步。所发现的CV与物理化学性质有关，这对于理解机制，特别是在未探索的复杂系统中至关重要。我们提供了定量评估的CV在其预测能力丙氨酸二肽（ALA-2）和ALA-15肽。
2019-01-16 cs.LG physics.chem-ph physics.comp-ph
Multiscale reweighted stochastic embedding (MRSE): Deep learning of collective variables for enhanced sampling
机器学习方法为自动发现和表示仿真数据的基本特征提供了一个通用框架。这一任务在增强型采样模拟中尤为关键。在那里，我们寻求一些广义的自由度，称为集体变量（CV），以表示和驱动自由能景观的采样。理论上，这些CV应该分离不同的亚稳态，并对应于所研究的物理过程的慢自由度。为此，我们提出了一种新的方法，我们称之为多尺度加权随机嵌入（MRSE）。我们的工作建立在随机邻居嵌入的参数版本。该技术通过深度神经网络自动学习将高维特征空间映射到低维潜在空间的CV。我们介绍了随机近邻嵌入方法的几个新进展，使MRSE特别适合于增强的采样模拟：（1）加权回火随机采样作为一个地标选择方案，以获得训练数据集，平衡平衡的代表性和捕获重要的亚稳态躺在自由能较高;（2）通过高斯混合概率模型的高维特征空间的多尺度表示;以及（3）重新加权过程，以考虑来自有偏概率分布的训练数据。我们表明，MRSE构建低维CV，可以正确地表征不同的亚稳态在三个模型系统：Müller-Brown势，丙氨酸二肽，丙氨酸四肽。
2021-06-17 physics.chem-ph physics.comp-ph
Augmented Harmonic Linear Discriminant Analysis
许多科学和技术感兴趣的过程的特点是时间尺度，使他们的模拟是不可能的，如果使用目前的模拟能力。为了克服这一挑战，已经开发了各种增强的模拟方法。一个常用的方法类依赖于集体变量的使用。这些方法的效率主要依赖于对集体变量的有根据的猜测。为此，大量的努力已经投入到集体变量的建设和改进。在众多的方法中，谐波线性判别分析已被证明是有效的。该方法仅从不同亚稳态中的波动的知识建立集体坐标。在这封信中，我们建议通过在集体坐标的构造中增加额外的信息位，即过渡态系综的信息位，来改进谐波线性判别分析。属于过渡态系综的子带通过使用弹簧射击过渡路径采样算法来利用。我们在一个具有挑战性的例子中表明，这些坐标，从而增强不仅执行更好的静态性能的计算，但也大大加快了反应速率的计算。
2019-02-23 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Collective Variables for Free Energy Surface Tailoring -- Understanding and Modifying Functionality in Systems Dominated by Rare Events
我们介绍了一种方法，用于阐明和修改系统的功能占主导地位的罕见事件，依赖于其底层的自由能表面的自动调谐。所提出的方法旨在构建集体变量（CV），编码的重要信息，关于罕见事件的系统的利益。使用谐波线性判别分析（HLDA）来识别适当的CV，HLDA是一种基于机器学习的方法，其仅在从系统的相关亚稳态中的短普通模拟收集的数据上进行训练。利用所得到的CV的可解释形式，确定系统的罕见跃迁的临界相互作用势被识别并有目的地修改，以根据需要改变功能的方式来定制自由能表面。该方法的适用性示出在三个不同的系统的上下文中，从而表明，热力学和动力学性质可以被修改，几乎没有先验知识或直觉。
2021-08-28 cond-mat.mtrl-sci cond-mat.soft cond-mat.stat-mech
Advanced simulations with PLUMED: OPES and Machine Learning Collective Variables
本文介绍了PLUMED中两项先进增强采样技术：统一的OPES偏置方法和基于机器学习的集体变量构建方法，并提供了实用指南以促进其在生物分子模拟中的应用。
2024-10-23 physics.bio-ph physics.chem-ph physics.comp-ph
Molecular enhanced sampling with autoencoders: On-the-fly collective variable discovery and accelerated free energy landscape exploration
大分子和生物分子折叠景观通常包含高自由能势垒，这阻碍了通过标准分子动力学模拟对构型空间的有效采样。偏置采样可以人为地沿着预先指定的集体变量（CV）驱动模拟，但成功与否关键取决于与重要集体动力学运动相关的良好CV的可用性。非线性机器学习技术可以识别这样的CV，但通常不提供与执行偏置采样所需的原子坐标的显式关系。在这项工作中，我们使用自联想人工神经网络（“自动编码器”）来学习非线性CV，这些CV是原子坐标的显式且可微的函数。我们的方法在探索配置空间方面提供了大量的加速，并且通过其同时发现和直接加速数据驱动CV的能力与现有方法区分开来。我们展示了模拟丙氨酸二肽和色氨酸笼的方法，并在OpenMM中开发了一个开源和免费的实现。
2018-10-30 physics.bio-ph physics.comp-ph stat.ML
METAGUI 3: a graphical user interface for choosing the collective variables in molecular dynamics simulations
分子动力学（MD）模拟允许通过整合其组成原子的运动方程来探索生物聚合物的相空间。MD轨迹的分析通常依赖于集体变量（CV）的选择，沿着该集体变量，系统的动力学被投影。我们开发了一个图形用户界面（GUI），以促进适当的CV的交互式选择。GUI允许：交互定义新CV;将配置划分为以CV的相似值为特征的微观状态;计算无偏和有偏（元自相关）模拟的微观状态的自由能;在动力学盆地中聚类微观状态;将自由能景观可视化为用于分析的CV的子集的函数。一个简单的鼠标点击允许一个快速检查结构对应于特定点的景观。
2017-05-10 physics.bio-ph physics.comp-ph q-bio.BM
Understanding and eliminating spurious modes in variational Monte Carlo using collective variables
Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所）；Division of Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系）；Department of Mathematics, University of California, Berkeley（加州大学伯克利分校数学系）；Department of Chemistry, Columbia University（哥伦比亚大学化学系）；Center for Computational Quantum Physics, Flatiron Institute（熨斗研究所计算量子物理中心）
本研究针对变分蒙特卡洛中神经网络波函数产生的伪模式问题，提出基于集体变量的惩罚方案，有效防止伪模式形成并提高能量估计准确性，且可推广至其他VMC应用。
2022-11-11 cs.LG physics.chem-ph physics.comp-ph
Path Integral Monte Carlo Simulations of liquid $^3$He without Fixed Nodes: Structural Properties and Collective Excitations
我们提出了广泛的新的\emph{ab initio}路径积分蒙特卡罗（PIMC）模拟正常液体$^3$他没有任何节点的限制。这使我们能够研究温度对不同结构性质的影响，如静态结构因子$S(\mathbf{q})$、动量分布$n(\mathbf{q})$和静态密度响应函数$χ(\mathbf{q})$，并明确量化费米统计的影响。此外，动态结构因子$S(\mathbf{q},ω)$由时间PIMC数据严格重建，并且我们发现熟悉的声子-巨子-旋子色散，其由$^4$ He熟知并且先前已报道用于二维$^3$ He膜[Nature \textbf{483}，576-579（2012）]。我们对$S(\mathbf{q})$和$S(\mathbf{q},ω)$的新结果与中子散射测量的比较表明理论与实验之间具有良好的一致性。
2021-09-09 physics.atom-ph physics.comp-ph
Combining transition path sampling with data-driven collective variables through a reactivity-biased shooting algorithm
本文提出一种基于反应性的射击算法，通过机器学习从过渡路径采样中迭代提取集体变量，无需先验知识即可提高稀有事件采样效率，并在多个体系中验证了其重建自由能剖面的能力。
2024-04-03 physics.comp-ph
Descriptors-free Collective Variables From Geometric Graph Neural Networks
Zhejiang University（浙江大学）；Italian Institute of Technology（意大利理工学院）
本文提出了一种基于几何图神经网络的自动集体变量确定方法，无需用户定义的物理描述符，通过原子坐标直接学习，实现了对称性不变的变量生成，并在多个系统中验证了其有效性。
2024-12-11 physics.comp-ph
Effective Data-Driven Collective Variables for Free Energy Calculations from Metadynamics of Paths
针对机器学习集体变量依赖含物理路径与过渡态的高质量数据集这一难题，本文利用路径元动力学在轨迹空间生成数据，并以深度目标判别分析构建CV，在二维模型势和丙氨酸二肽异构化中验证其自由能预测效果。
2024-04-08 physics.comp-ph
Folding a Small Protein Using Harmonic Linear Discriminant Analysis
许多具有科学重要性的过程的特点是时间尺度远远超出了标准模拟技术的范围。为了克服这一障碍，已经开发了大量的增强型采样方法。其中一类重要的方法依赖于偏置的应用，该偏置是为所考虑的问题专门设计的一组集体变量的函数。良好的集体变量的设计可能是具有挑战性的，从而构成了这些方法的应用中的主要瓶颈。为了解决这个问题，最近我们引入了调和线性判别分析，一种系统地构造集合变量的方法。该方法使用作为输入信息的亚稳态访问的过程中，正在考虑的信息，可以收集在短的无偏MD模拟，以构建集体变量作为一组描述符的线性组合。在这里，为了扩大我们对该方法效率的检验，我们将其应用于Chignolin在水中的折叠。有趣的是，在任何有偏见的模拟运行之前，构建的一维集体变量揭示了折叠过程的大部分物理基础。此外，在Metademics中使用它，我们能够运行模拟，其中系统从折叠状态到展开状态，然后返回，为了获得完全收敛的结果，我们将Metademics与并行回火相结合。最后，我们研究了当在其构造中使用不同的描述符集时，集合变量的性能。
2018-08-23 physics.comp-ph
From enhanced sampling to reaction profiles
Istituto Italiano di Tecnologia（意大利理工学院）
该研究提出了一种基于神经网络的增强采样方法，通过投影数据到低维流形以区分不同盆地，从而提高采样效率并清晰表示反应自由能图谱。
2021-07-17 physics.comp-ph
Computing committors in collective variables via Mahalanobis diffusion maps
分子和原子体系中的稀有事件，如共形变化和团簇重排的研究一直是化学物理中最重要的研究课题之一。关键的挑战是与长等待时间，使分子模拟效率低下，高维阻碍使用偏微分方程为基础的方法，和过渡过程的复杂性或广度限制渐近方法的预测能力。扩散图是有前途的算法，以避免或减轻所有这些问题。我们采用Singer和Coifman（2008）提出的具有Mahalanobis核的扩散映射来描述集体变量中的分子动力学，其中扩散矩阵是位置依赖的，并且与Singer和Coifman考虑的情况不同，不与非同构相关联。我们提供了一个初步的证明，表明可以近似的生成器为这个ESTA离散到一个点云通过Mahalanobis扩散映射。我们用它来计算两个基准系统的集体变量中的提交函数：丙氨酸二肽和2D中的Lennard-Jones-7。为了验证我们的提交人的结果，我们比较我们的提交人功能的有限差分解决方案，或进行“提交人分析”所使用的分子动力学从业者。我们将Mahalanobis扩散图的输出与具有各向同性核的标准扩散图的输出进行对比，并表明前者比后者对提交者的估计更准确。
2022-10-02 cs.NA math.NA physics.comp-ph
Great Restraining Wall in Multidimensional Collective Variable Space
Institute of Systems and Physical Biology, Shenzhen Bay Laboratory（深圳湾实验室系统物理生物学研究所）
本文提出了一种名为巨大限制墙（GW）的方法，通过新的核密度估计衍生的限制势能，解决高维集体变量空间中采样效率和稳定性问题，提升自由能表面的精准采样能力。
2026-01-14 physics.comp-ph
Enhanced sampling of robust molecular datasets with uncertainty-based collective variables
Massachusetts Institute of Technology（麻省理工学院）；University of Vienna（维也纳大学）
本研究提出利用不确定性作为集体变量指导分子数据采样，通过高斯混合模型度量驱动偏置分子动力学，在丙氨酸二肽上验证了其克服势垒、增强主动学习数据集的效果。
2024-02-06 cs.LG physics.comp-ph
Chasing Collective Variables using Autoencoders and biased trajectories
CERMICS, Ecole des Ponts（巴黎高科路桥学院 CERMICS 实验室）；MATHERIALS team-project, Inria Paris（法国国家信息与自动化研究所巴黎中心 MATHERIALS 团队）
自由能偏置方法已被证明是一种强有力的工具，可以通过修改采样措施来加速分子重要构象变化的模拟。然而，这些方法大多依赖于低维慢自由度的先验知识，即集体变量（CV）。或者，可以使用机器学习（ML）和降维算法来识别这样的CV。在这种情况下，已经提出了使用自适应偏置以迭代方式学习CV的方法：在每次迭代时，学习的CV用于执行自由能自适应偏置以生成新数据并学习新CV。在本文中，我们介绍了一种新的迭代方法，涉及CV学习与自动编码器：自由能偏置和迭代学习与自动编码器（FEBILAE）。我们的方法包括一个重新加权方案，以确保学习模型在每次迭代时优化相同的损失，并实现CV收敛。以丙氨酸二肽体系和溶剂化的chignolin微蛋白体系为例，我们提出了我们的算法的结果，使用扩展的自适应偏置力作为自由能自适应偏置方法。
2021-10-19 cs.LG physics.bio-ph physics.comp-ph
Embedded-physics machine learning for coarse-graining and collective variable discovery without data
Technical University of Munich（慕尼黑工业大学）；University of Notre Dame（圣母大学）；Center for Informatics and Computational Science（信息与计算科学中心）
我们提出了一种新的学习框架，该框架始终嵌入底层物理学，同时绕过了分子动力学（MD）背景下大多数现代数据驱动粗粒度方法的一个显著缺点，即，大数据的可用性。足够大的训练数据集的生成提出了一个计算上要求很高的任务，而原子配置空间的完全覆盖是不能保证的。因此，数据驱动的粗粒度模型的探索能力是有限的，可能会产生有偏见的“预测”工具。我们提出了一个新的目标的基础上反向Kullback-Leibler分歧，充分结合了现有的物理形式的原子力场。而不是从数据生成过程中分离模型学习-后者依赖于模拟由力场控制的原子运动-我们在预测粗粒度模型提出的样本配置中查询原子力场。因此，学习依赖于力场的评估，但不需要任何MD模拟。生成的粗粒度模型作为一个有效的代理模型预测原子的配置和估计相关的可观测量。除了获得一个预测粗粒度模型，我们证明，在发现的低维表示，集体变量（CV）相关的物理化学性质，这是必不可少的了解未开发的复杂系统。我们展示了算法的预测能力和物理意义的双峰势能函数和丙氨酸二肽的CV显示方面的进步。
2020-02-24 cs.LG physics.chem-ph physics.comp-ph
