Free energy surface reconstruction from umbrella samples using Gaussian process regression II: Multiple collective variables
我们演示了如何事先假设的平滑度可以用来提高重建的自由能配置文件从多个伞形抽样模拟使用贝叶斯高斯过程回归方法。我们得到的方法允许同时使用直方图和自由能梯度,可以很容易地扩展到包括进一步的数据。在第一部分中,我们回顾了必要的理论,并测试了一个集体变量的方法。我们证明了改进的性能相对于加权直方图分析方法,并获得有意义的误差条,而无需任何显着的额外计算。在第二部分中,我们考虑多个集体变量的情况下,并比较使用径向基函数的最小二乘拟合重建。我们发现在空间稀疏的数据或短采样轨迹的制度有很大的改善。可在www.libatoms.org上查阅软件实施情况。
2014-07-24 cond-mat.stat-mech
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
Sampling metastable systems using collective variables and Jarzynski-Crooks paths
本文提出一种利用集体变量提议核和接受-拒绝步骤对高维多模态分布进行采样的方法,无需已知自由能,并建立了接受率与Jarzynski-Crooks功的关系,通过数值实验验证了其效率。
2024-11-07 cond-mat.stat-mech stat.CO
Conformational Entropy as Collective Variable for Proteins
许多强化抽样方法,如伞式抽样、元统计学或变异强化抽样,都依赖于确定适当的集体变量。对于蛋白质,即使是很小的蛋白质,找到合适的集体变量也是一个挑战。在这里,我们建议,NMR $S^2$序参量可以用于这种效果。我们将这一说法的有效性追溯到$S^2$和熵之间的建议关系。使用$S^2$序参量和蛋白质焓的替代品结合Metadhesics或变分增强采样,我们能够可逆地折叠和展开一个小的蛋白质,并在一小部分的时间,是在无偏模拟所需的自由能。从更概念化的观点来看,这意味着将折叠描述为熵和焓之间的权衡结果。我们还使用$S^2$结合自由能洪水方法来计算该肽的去折叠速率。我们在不同温度下重复此计算以获得去折叠活化能。
2017-04-10 cond-mat.soft cond-mat.stat-mech physics.chem-ph
Collective heat engines via different interactions: Minimal models, thermodynamics and phase transitions
本文研究了与冷热源接触的相互作用单元框架的热力学与动力学,探讨了热浴接触方式、耦合及拓扑对相变线的影响,发现Potts相互作用的性能优于BEG。
2025-08-11 cond-mat.stat-mech
Adding alchemical variables to metadynamics to enhance sampling in free energy calculations
针对传统炼金术自由能计算方法在慢自由度与炼金术变量正交或系统陷深势阱时采样失效的问题,提出将炼金术变量作为元动力学额外维度的方法,经多系统验证可加速采样,且已集成至PLUMED 2.8。
2022-12-09 cond-mat.stat-mech
Universal splitting of phase transitions and performance optimization in driven collective systems
University of Copenhagen(哥本哈根大学);Kyoto University(京都大学)
研究通过非平衡相变机制揭示了热机性能优化的普遍分裂现象。
2025-12-14 cond-mat.stat-mech
Enhanced Sampling in Molecular Dynamics Using Metadynamics, Replica-Exchange, and Temperature-Acceleration
我们回顾了在分子动力学模拟中进行增强采样的方法。我们认为集体变量偏置和回火的基础上的方法,并提供历史和当代的观点。在集体变量偏置,我们首先讨论的方法源于热力学积分,使用平均力偏置,包括自适应偏置力算法和温度加速。然后,我们转向使用偏置电位的方法,包括伞形采样和元自相关。接下来我们考虑平行回火和复制交换方法。最后,我们简要介绍了一些组合方法。
2014-01-02 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Irreversible Monte Carlo algorithms for hard disk glasses: from event-chain to collective swaps
针对无序系统玻璃化减速导致的采样难题,研究实现并提出两种不可逆蒙特卡洛算法,其中集体粒子交换算法性能最优,还可制备高密度硬盘阻塞堆积。
2024-07-11 cond-mat.dis-nn cond-mat.soft cond-mat.stat-mech
A variational conformational dynamics approach to the selection of collective variables in metadynamics
在本文中,我们结合了两个强大的计算技术,以及回火元自相关和时滞独立成分分析。其目的是开发一种新的工具,用于研究罕见事件和探索复杂的自由能景观。元分析法是一种行之有效并广泛使用的增强型抽样方法,其效率取决于集体变量的适当选择。初始选择通常不是最优的,导致收敛缓慢。然而,通过分析在一个这样的运行中产生的动态与时滞独立成分分析和最近开发的技术在构象动力学领域,我们得到更有效的集体变量,也更好地能够照亮系统的物理。我们证明了这种方法的力量在两个典型的例子。
2017-12-07 cond-mat.stat-mech
Deep Learning Collective Variables from Transition Path Ensemble
本文提出将转变路径系综数据加入 Deep Targeted Discriminant Analysis 集体变量训练,以提升分子动力学稀有转变采样的准确性与收敛速度。
2023-03-02 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Building Maps in Collective Variable Space
增强的采样技术,如伞式采样和metadaptics现在经常用来提供信息的热力学势,或自由能,如何取决于少数集体变量。通过使用这些技术提取的自由能表面提供了构型系综的简化或粗粒度表示。在这项工作中,我们将讨论如何辅助变量可以映射到集体变量(CV)空间,以及如何依赖的原子坐标的函数的平均值的值上的一个小数目的CV,从而可以可视化。我们表明,这些地图允许一个分析的物理学的分子系统的调查和质量的减少表示的系统,是编码在一组CV。我们应用这种方法来分析CV的简并性,并计算CV空间中的熵和焓表面,无论是丙氨酸二肽的构象转变和二氧化碳分子晶体在压力下的相变。
2018-08-30 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Precision shooting: Sampling long transition pathways
溶液中集体重排的动力学,如蛋白质折叠和相变相变,通常涉及既长又粗糙的自由能势垒。应用过渡路径采样的方法来收获模拟的轨迹,该轨迹模拟这样的过程通常是困难的,因为新生成的轨迹的接受率非常低。我们解决这个问题,通过引入一个新的一代算法的基础上的线性短时行为的小扰动相空间。使用这种"精确射击“技术,可以及时传播任意小的干扰,并且可以获得任何期望的射击动作的接受率。我们证明了一个简单的,但计算上有问题的异构化过程中的稠密液体软球的方法。我们还讨论了它的适用性势垒跨越事件涉及亚稳态中间状态。
2008-07-15 cond-mat.stat-mech
Exact dynamical coarse-graining without time-scale separation
一个家庭的集体变量,提出了执行精确的动态粗粒化,即使在没有时间尺度分离的系统。更确切地说,它表明,这些变量是不慢的一般,但它们满足过阻尼朗之万方程,统计上保留的序列中的任何区域在集体变量空间访问,并允许精确计算平均第一次通过时间从任何这样的区域到另一个。讨论了自由能和扩散系数在该过阻尼Langevin方程中的作用,以及它们在集体变量空间中随变量变化时的变化规律。这些结果既适用于有惯性系统,也适用于无惯性系统,并且可以推广到同时使用多个集体变量的情况。他们提供的关于是什么使集体变量和反应协调最佳的观点打破了标准的概念,即好的集体变量必须是慢变量,它提出了解释分子动力学模拟和实验数据的新方法。
2014-04-18 cond-mat.stat-mech
Rugged Metropolis Sampling with Simultaneous Updating of Two Dynamical Variables
Rugged Metropolis(RM)算法是一种有偏的更新方案,其目的是直接击中崎岖的自由能景观中最可能的配置。该算法的一个变量(RM $_1$)实现的细节。其次是扩展到同时更新两个动态变量(RM $_2$)。在真空中使用甲硫氨酸脑啡肽的测试中,RM $_2$将传统的Metropolis模拟提高了约四倍。三个或更多二面角之间的相关性似乎阻止了低温下的较大改善。我们还研究了一个多击大都会计划,花费更多的CPU时间与大的自相关时间的变量。
2005-05-08 cond-mat.stat-mech physics.bio-ph physics.comp-ph
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
Improving the Efficiency of Variationally Enhanced Sampling with Wavelet-Based Bias Potentials
基于集体变量的增强采样方法通常用于具有亚稳态的系统,其中当使用常规分子动力学模拟时,高自由能势垒阻碍自由能景观的适当采样。一种这样的方法是变分增强采样(VES),其基于变分原理,其中通过最小化凸泛函来构造在一些选择的慢自由度或集体变量的空间中的偏置势。在实际应用中,偏置势被看作是在某个基函数集合上的线性展开。到目前为止,主要是在集体变量空间中离域的基函数,如平面波,切比雪夫或勒让德多项式,已被使用。然而,还没有一个广泛的研究如何收敛行为的影响,基函数的选择。特别是,它仍然是一个悬而未决的问题,如果本地化的基础函数可能会表现得更好。在这项工作中,我们实现,调整,并验证Daubechies小波作为VES的基函数。小波构造的正交和本地化的基础,表现出有吸引力的多分辨率属性。我们评估小波和其他基函数在各种系统上的性能,从模型电位到水中的碳酸钙缔合过程。我们观察到,小波表现出优异的性能和更强大的收敛行为比所有其他的基函数,以及更好的性能比元自适应。特别是,使用小波基产生小得多的波动的偏置电位在个别运行和独立运行之间的差异较小。基于我们的总体结果,我们可以推荐小波作为VES的基函数。
2022-05-25 cond-mat.soft cond-mat.stat-mech physics.chem-ph
Sampling Free Energy Landscapes of Ionic Colloidal Crystal Systems using Machine-Learned Proxy Collective Variables
New York University(纽约大学);University of Kentucky(肯塔基大学)
本研究采用SE(3)等变Transformer作为机器学习代理集体变量,采样离子胶体晶体系统的自由能景观,实现了对亚稳态的区分及晶体结构偏好的调控。
2026-08-11 cond-mat.soft cond-mat.stat-mech physics.chem-ph
Computing committors via Mahalanobis diffusion maps with enhanced sampling data
对蛋白质折叠和分子构象变化等现象的研究是化学物理的中心主题。分子动力学(MD)模拟是研究生物分子中跃迁过程的主要工具,但它受到感兴趣的过程和原子振动之间的巨大时间尺度间隙的阻碍,这决定了时间步长。因此,必须将MD模拟与其他技术结合起来,以便量化在大时间尺度上发生的转变过程。在这项工作中,Mahalanobis内核的扩散映射,一个无网格的方法近似的后向Kolmogorov算子(BKO)的集体变量,升级到纳入标准的增强采样技术,如元自适应。由此产生的算法,我们称之为“目标措施Mahalanobis扩散图”(tm-mmap),是适合于一个中等数量的集体变量,其中一个可以近似的扩散张量和自由能。施加适当的边界条件允许使用近似的BKO来求解提交函数,并利用过渡路径理论来找到描绘过渡通道和过渡速率的无功电流。所提出的算法,tm-mmap,进行了测试的二维Moro-Cardin双井系统与位置相关的扩散系数和丙氨酸二肽在两个集体变量,其中的提交人,反应电流,和过渡率进行比较,通过有限元法(FEM)计算。最后,TM-MMAP适用于丙氨酸二肽在四个集体变量,其中使用有限元是不可行的。
2022-11-02 cond-mat.stat-mech cs.NA math.NA
Caliber based spectral gap optimization of order parameters (SGOOP) for sampling complex molecular systems
在现代多体系统的模拟中,大部分计算复杂性转移到识别缓慢变化的分子序参量,称为集体变量(CV)或反应坐标。大量的增强采样方法是基于这些低维序参量的识别和偏置,其波动在驱动感兴趣的罕见事件中是重要的。这里描述了一种新的算法,用于寻找最佳的低维集体变量,用于增强的采样偏置方法,如伞形采样,元自适应和相关方法,当有限的先验静态和动态信息是已知的系统,并指定了一个更大的候选CV集。该算法涉及估计这些候选CV的最佳组合,如通过被视为CV的函数的动态的谱间隙的最大路径熵估计所量化的。通过多个实际的例子,我们展示了这个后处理过程可以导致CV的优化和几个数量级的改进,通过元自洽计算的自由能的收敛,基本上给出了即使从不成功的元自洽运行中提取有用信息的能力。
2015-11-08 cond-mat.soft cond-mat.stat-mech physics.chem-ph
Accurate multiple time step in biased molecular simulations
许多最近推出的增强采样技术是基于偏置粗描述符(集体变量)的分子系统的飞行。有时,计算这样的集体变量是昂贵的,并成为分子动力学模拟的瓶颈。这里讨论了一种在多时间步长框架内处理平滑偏置力的算法。该实现是简单的,并允许在使用昂贵的集体变量时加快速度。当使用大规模并行或基于GPU的分子动力学软件时,增益可以是实质性的。此外,一个理论框架,以评估采样精度的介绍,它可以用来评估选择的集成时间步长在单和多时间步长偏置模拟。
2014-12-12 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Mimicking Collective Firing Patterns of Hundreds of Connected Neurons using a Single-Neuron Experiment
神经网络的实验研究需要同时测量大量的神经元,同时监测连接性、突触强度和延迟的特性。目前的技术障碍使这一任务无法实现。此外,由于所需测量的数量巨大,估计的网络参数将不同于原始参数。在这里,我们提出了一个通用的实验技术,它使研究的经常性神经网络活动,同时能够支配网络的连接和突触强度。这种方法是基于这样的观察,即神经元的反应完全取决于它们最近的刺激,即短期记忆。它允许长期刺激和记录单个神经元的方案,以模仿递归网络中神经元的同时活动测量。利用这种技术表明自发出现的合作同步振荡,特别是快速伽玛和缓慢的德尔塔振荡的共存,并打开了大规模神经网络内的其他合作现象的实验研究的视野。
2016-01-10 cond-mat.stat-mech q-bio.NC
A critical comparison of general-purpose collective variables for crystal nucleation
晶体的成核是科学和技术中的一个突出现象,仍然缺乏完整的原子尺度理解。大量的工作已经致力于确定序参量能够跟踪的过程中,从早期的核开始,他们成熟到临界尺寸,直到一个扩展的晶体的生长。我们严格评估和比较两个强大的基于距离的集体变量,一个有效的熵来自液态理论和路径变量的基础上排列不变的向量使用的Kob-Andersen二进制混合物和增强的采样技术相结合。我们的研究结果揭示了一个相当的能力,驱动成核时,施加偏置电位,和可比的自由能障碍和结构特征。然而,我们也发现了一个不完美的相关性与提交者概率的障碍顶部,这是绕过改变序参量的定义。
2023-01-23 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Unfolding Hidden Barriers by Active Enhanced Sampling
KLA-Tencor(科磊);University of California, Berkeley(加州大学伯克利分校)
基于集体变量(CV)或序参量的增强采样算法由于能够有效地探索复杂系统的粗糙势能面而获得了巨大的成功。然而,退化的微观配置,源自垂直于CV的正交空间,很可能会阴影“隐藏的障碍”,大大降低CV为基础的采样效率。在这里,我们证明了系统的机器学习CV,通过增强的采样,可以迭代地提升这种退化。我们介绍了一种主动学习方案,该方案由基于深度神经网络的参数CV学习器和基于CV的增强采样器组成。我们的主动增强采样(AES)算法能够根据历史样本识别信息量最少的区域,在CV学习器和采样器之间形成正反馈回路。这种方法能够通过逐步增强样品完整性和CV质量来全局保留动力学特征。
2017-11-10 cond-mat.stat-mech cs.LG physics.chem-ph
A Variational Approach to Enhanced Sampling and Free Energy Calculations
广泛使用的采样方法,如分子动力学或蒙特卡罗,探索复杂的自由能景观的能力受到动力学瓶颈的存在严重阻碍。已经提出了大量的解决方案来缓解这个问题。许多是基于引入偏置电位,这是一个功能的一个小数目的集体变量。然而,构建这样一种偏见并不简单。在这里,我们引入了一个泛函的偏置电位和相关的变分原理。使泛函最小化的偏置以简单的方式与自由能表面相关。这种变分原理可以转化为一种实用、高效、灵活的采样方法。一些数值例子,其中包括一个三维自由能表面的测定。我们认为,除了在数值上的优势,我们的变分方法提供了一个方便的角度来看,在采样问题与新的眼睛。
2014-08-07 cond-mat.soft cond-mat.stat-mech physics.chem-ph