Selecting High-Dimensional Representations of Physical Systems by Reweighted Diffusion Maps
针对降维前高维表示选择被忽视的问题，本文提出利用 reweighted diffusion map 分析原子模拟数据中 Markov 转移矩阵的谱分解，实现高维表示的定量选择，并通过多个高维示例验证其性能。
2024-04-03 physics.chem-ph
Training collective variables for enhanced sampling via neural networks based discriminant analysis
在分子动力学模拟中，一种常用的加速稀有事件采样的方法是引入一个势函数来增加选定的集体变量的波动。为了使这一战略取得成功，选择适当的变量至关重要。在这里，我们回顾了一些最近的发展，在数据驱动的设计集体变量，重点是结合Fisher的判别分析和神经网络。这种方法允许压缩到一个低维表示的亚稳态的波动。我们通过几个例子说明了这种方法在加速采样的有效性，同时也确定了在这个过程中发生最显着变化的物理描述符。
2021-01-18 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
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
Enhanced Conformational Sampling using Replica Exchange with Collective-Variable Tempering
用原子分子动力学计算研究RNA和蛋白质的构象变化常常需要适当的增强采样技术。在这里，我们介绍了一种新的方法，其中并发元adaptics集成在一个哈密尔顿复制交换计划。复制品的阶梯是用不同强度的偏置电位构建的，利用了良好回火的元自适应的可调性。使用这种方法，个别集体变量的自由能势垒显着降低相比，简单的力场缩放。所介绍的方法是灵活的，并允许自适应偏置电位自洽地构建了大量的简单的集体变量，如距离和二面角。以丙氨酸二肽为例进行了验证，并将该方法应用于四核苷酸构象取样的难题。
2015-02-07 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Deep learning the slow modes for rare events sampling
增强采样方法的发展极大地扩展了原子模拟的范围，允许使用可访问的计算资源来研究长时间现象。许多这样的方法依赖于确定一组适当的集体变量。这些都是为了描述系统的模式，最缓慢地接近平衡。一旦确定，这些模式的平衡将通过选择的增强采样方法来加速。确定集体变量的一个有吸引力的方法是将它们与转移算子的本征函数和本征值联系起来。不幸的是，这需要事先了解系统的长期动态，而这通常是不可用的。然而，我们最近已经表明，它确实是可能的，以确定有效的集体变量开始有偏的模拟。在本文中，我们将机器学习的力量和最近开发的即时概率增强采样方法的效率带到这种方法上。其结果是一个强大的和强大的算法，给定的初始增强采样模拟试验集体变量或广义系综，提取转移算子特征函数使用神经网络模拟器，然后加速它们，以促进罕见事件的采样。为了说明这种方法的一般性，我们将其应用到几个系统，从一个小分子的构象转变到一个迷你蛋白质的折叠和材料结晶的研究。
2021-07-22 physics.chem-ph physics.comp-ph
Exploring High Dimensional Free Energy Landscapes: Temperature Accelerated Sliced Sampling
集体变量的偏置采样被广泛用于加速分子模拟中的稀有事件和探索自由能表面。然而，这些方法的计算效率随着集合变量数量的增加而降低，这严重限制了增强采样方法的预测能力。在这里，我们提出了一种方法，称为温度加速切片采样（TASS），结合温度加速的分子动力学与伞形采样和metadenics采样集体变量空间中的一个有效的方式。该方法可以采样大量的集合变量，有利于控制勘探广泛和无约束自由能盆地。TASS也被证明可以实现快速的自由能收敛，并且实际上可以与从头计算分子动力学技术一起使用。
2016-12-25 physics.chem-ph
Machine Learning of Slow Collective Variables and Enhanced Sampling via Spatial Techniques
Nicolaus Copernicus University（尼古拉斯·哥白尼大学）；Institute of Physics（物理研究所）
本文聚焦于利用数据空间特征而非时间轨迹来识别慢集体变量的机器学习技术，综述了该方向的最新进展并展望了热力学信息驱动的空间学习路径。
2024-12-30 cs.LG physics.chem-ph
Information Entropy is a General-Purpose Collective Variable for Enhanced Sampling
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出信息熵作为通用集体变量，用于分子和凝聚相系统中的稀有事件采样，通过温度调节的元动力学方法平衡新颖性与热力学可达性，发现稳定盆地和反应路径。
2026-04-06 cond-mat.mtrl-sci physics.chem-ph
Enhancing Diffusion-Based Sampling with Molecular Collective Variables
FAIR at Meta（Meta的FAIR）；MIT（麻省理工学院）；University of Geneva（日内瓦大学）；ETH Zurich（苏黎世联邦理工学院）
通过引入集体变量的偏置，提升扩散采样在分子采样中的效率和模式发现能力，首次实现反应采样的高精度模拟。
2025-12-30 cond-mat.mtrl-sci cs.LG physics.chem-ph
Stochastic Optimal Control for Collective Variable Free Sampling of Molecular Transition Paths
University of Oxford（牛津大学）；University of Amsterdam（阿姆斯特丹大学）；Google DeepMind（谷歌DeepMind）
本文将分子跃迁路径采样关联到Schrödinger桥与随机最优控制，提出不依赖集体变量的PIPS机器学习方法，并在丙氨酸二肽、聚脯氨酸和Chignolin上生成低能跃迁路径。
2023-07-18 cs.LG physics.chem-ph q-bio.BM
SelfTICA: contrastive learning of dynamical representations for rare-event sampling and characterization
College of Pharmaceutical Sciences, Zhejiang University（浙江大学药学院）；Italian Institute of Technology（意大利理工学院）
提出自监督对比学习框架SelfTICA，通过时间延迟分子构型定义正负对，学习动力学表示并提取慢模式集体变量，无需预定义亚稳态或高质量动力学数据，加速稀有事件采样。
2026-09-10 physics.chem-ph physics.comp-ph
Extending and validating bubble nucleation rate predictions in a Lennard-Jones fluid with enhanced sampling methods and transition state theory
我们通过显式分子动力学模拟计算了Lennard-Jones流体中气泡的成核速率。我们的方法-基于最近的自由能方法（被称为重新加权Jarzynski采样），过渡态理论，和一个简单的recrossing校正-使我们能够探测一个相当宽的范围内的速率在几个过热和空化制度的一致的方式。从这种方法桥梁不同的独立文献研究相同的模型系统的速率预测。因此，我们发现，基于经典成核理论，直接蛮力分子动力学模拟，和播种率预测是一致的，我们的方法和彼此。公布的利率来自前向通量采样模拟，但是，发现异常值。这项研究有两个目的。首先，我们在材料科学和化学物理的一个典型问题上验证了常用建模技术和外推方法的可靠性。其次，我们进一步测试我们的高度通用的配方率计算，并建立其适用性的成核过程。
2022-11-14 cond-mat.soft physics.chem-ph
Efficiently Sampling Conformations and Pathways Using the Concurrent Adaptive Sampling (CAS) Algorithm
分子动力学（MD）模拟在获得生物分子的热力学和动力学性质方面是有用的，但是受到时间尺度障碍的限制，即，我们可能不能有效地获得特性，因为我们需要使用飞秒时间步长来运行微秒或更长的模拟。虽然有几种现有的方法来克服这个时间尺度的障碍，并有效地采样热力学和/或动力学性质，问题仍然存在，能够采样未知的系统，处理高维空间的集体变量，并集中计算工作在缓慢的时间尺度。因此，一种新的采样方法，称为“并发自适应采样（CAS）算法”，已被开发来解决这三个问题，并有效地获得构象和途径。与大多数反应坐标依赖方法不同，该方法不限于仅使用一个或两个集体变量。相反，它可以使用大量的集体变量，并使用宏状态（集体变量空间的分区）来增强采样。探索是通过运行大量的短模拟，并使用聚类技术来加速采样。在本文中，我们介绍了新的方法，并显示结果，从二维模型和生物分子，如五丙氨酸和三嗪聚合物。
2017-05-02 physics.chem-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
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
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
Reinforced dynamics for enhanced sampling in large atomic and molecular systems
Princeton University（普林斯顿大学）；Institute of Applied Physics and Computational Mathematics（应用物理与计算数学研究所）；CAEP Software Center for High Performance Numerical Simulation（中国工程物理研究院高性能数值模拟软件中心）；Beijing Institute of Big Data Research（北京大数据研究院）
提出了一种新的方法，有效地探索配置空间和计算大的原子和分子系统的自由能，激励与强化学习的类比。这种新方法有两个主要组成部分。像元自适应，它允许一个有效的探索的配置空间，通过添加一个自适应计算的偏置电位的原始动态。与深度强化学习一样，这种偏置潜力是使用深度神经网络进行动态训练的，从探索中明智地收集数据，神经网络模型中的不确定性指标扮演着奖励函数的角色。使用神经网络的参数化使得处理具有大量集合变量的情况变得可行。这样做的潜在好处是，精确地选择正确的集合变量对于捕捉系统的结构转换来说已经变得不那么重要了。通过研究丙氨酸二肽和三肽的全原子，明确的溶剂模型，以及具有20个集体变量的聚丙氨酸-10分子的系统来说明该方法。
2018-02-19 cs.LG physics.bio-ph physics.chem-ph
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
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
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
Learning Collective Variables with Synthetic Data Augmentation through Physics-Inspired Geodesic Interpolation
Massachusetts Institute of Technology（麻省理工学院）；Systems Biology Program（系统生物学项目）；Department of Materials Science and Engineering（材料科学与工程系）
提出一种无模拟的数据增强策略，通过物理启发的测地线插值生成类似蛋白质折叠转变的合成数据，以提升集体变量学习的准确性和采样效率。
2024-07-19 cs.LG physics.chem-ph q-bio.BM
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
Variational Koopman models: slow collective variables and molecular kinetics from short off-equilibrium simulations
马尔可夫状态模型（MSM）和主方程模型是流行的方法来近似分子动力学，平衡，亚稳态，反应坐标的状态空间离散化通常通过聚类获得。近年来，分子动力学的变分方法（VA）及其特例时滞独立成分分析（TICA）被引入到分子动力学中，它允许我们通过光滑基函数或序参数的线性组合来近似慢集体变量和分子动力学。虽然它是已知的如何估计MSM从轨迹的起始点不是从一个平衡的合奏采样，这还没有TICA和VA的情况。以前的估计短的轨迹，有很强的偏见，因此不是变分最优的。在这里，我们采用Koopman算子理论和动态模式分解（DMD）的思想，将VA和TICA扩展到非平衡数据。主要的见解是，VA和TICA提供了一个系数矩阵，我们称之为库普曼模型，因为它近似的基础动力学（库普曼）运营商结合使用的基集。这个Koopman模型可以用来计算一个固定的向量，以重新加权数据到平衡。从这样的库普曼重新加权样本，平衡期望值和变分最优可逆库普曼模型可以构建，即使是短的模拟。Koopman模型可用于传播密度，其特征值分解提供了用于降维的弛豫时间尺度和慢集体变量的估计。Koopman模型是马尔可夫状态模型，TICA和线性VA的推广，并允许分子动力学来描述没有集群离散化。
2017-01-22 physics.bio-ph physics.chem-ph q-bio.BM
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
Electronic Collective Variables for Chemical Reactions
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）
本文提出一种基于原子电荷的电子集体变量，用于描述反应进程的电子部分，通过神经网络模型训练实现高效采样，并展示其在多种反应环境中的有效性。
2026-03-31 physics.chem-ph
Combining Metadynamics and Integrated Tempering Sampling
稀有事件的模拟是原子模拟的关键问题之一。为了解决这个问题，人们提出了许多方法。在这里，我们结合了两个这样的方法元数据和集成回火采样。在元自洽中，精心选择的集体变量的波动被放大，而在综合回火采样中，系统被推到近似均匀的能量间隔，并允许在一次运行中探索一系列温度。我们描述了我们的ap-proach，并将其应用到两个原型系统的SN 2化学反应和冻结的二氧化硅。元自相关和综合回火取样的结合导致了一种强大的方法。特别是在二氧化硅的情况下，我们已经测量到超过一个数量级的加速度。
2018-10-26 physics.chem-ph physics.comp-ph
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
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
RiD-kit: Software package designed to do enhanced sampling using reinforced dynamics
本文提出基于集体变量的增强采样软件包RiD-kit，可处理大量CVs并高效应用于生物分子、化学反应和材料等大系统，提供了跨平台的用户友好命令行工作流。
2024-08-26 cond-mat.dis-nn physics.bio-ph physics.chem-ph
Metadynamics for Automatic Sampling of Quantum Property Manifolds: Exploration of Molecular Biradicality Landscapes
我们提出了一个一般的扩展的元adaptics允许自动采样的量子性质流形（ASQPM）引起的功能景观，类似于在玻恩-奥本海默近似的框架中的势能面。为此，我们采用广义电子集体变量进行偏置的分子动力学模拟的量子化学方法，探索所需的属性流形的框架。我们说明了我们的方法的“biradicity景观”的例子，我们通过引入自然轨道占用数（NOONs）作为电子集体变量驱动的动态探索。我们证明了该方法的适用性上的模拟\textit{p} -二甲苯和[8]轮烯允许自动提取的双自由基的几何形状。在[8]轮烯的情况下，ASQPM代谢导致预测可以通过合适的化学取代来稳定的双自由基支架，导致设计表现出双自由基功能的新型功能分子。
2019-09-19 physics.chem-ph
Differentiable Simulations for Enhanced Sampling of Rare Events
Massachusetts Institute of Technology（麻省理工学院）；Charles University（查理大学）
模拟罕见事件，例如化学反应中反应物转化为产物，通常需要增强的采样技术，这些技术依赖于选择性选择的集体变量（CV）。我们建议使用微分模拟（DiffSim）的发现和增强化学转化的采样，而不需要诉诸预选CV，只使用一个距离度量。反应路径的发现和估计的偏置电位，提高了采样合并成一个单一的端到端的问题，解决了路径积分优化。这是通过在标准DiffSim上引入多项改进来实现的，例如部分反向传播和图形迷你算法，使DiffSim训练稳定而高效。DiffSim的潜力被证明在成功发现的过渡路径的穆勒-布朗模型潜力，以及一个基准的化学系统-丙氨酸二肽。
2023-01-27 cs.LG physics.chem-ph
Enhanced Representation-Based Sampling for the Efficient Generation of Datasets for Machine-Learned Interatomic Potentials
University of Stuttgart（斯图加特大学）
本文提出ERBS方法，通过增强采样生成高效数据集，提升机器学习相互原子势的训练效果和自扩散系数模拟精度。
2026-01-22 physics.chem-ph
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
Exploring the Potential of Parallel Biasing in Flat Histogram Methods
Metadaptics是高级采样算法的“平坦直方图”类的成员，已广泛用于分子模拟中，以驱动对由高自由能势垒分离的状态的探索，并促进对定义在集体变量（CV）上的自由能景观的全面采样，集体变量（CV）表征系统的状态。通常，当探索大量CV时，这些方法会遇到严重的限制。最近提出的一个变种，平行偏置元自洽（PBMetaD），承诺通过交换标准方法所需的$n$维自由能景观为$n$一维边际自由能景观，以帮助探索自由能景观以及多个重要的集体变量。在这项研究中，我们系统地研究了平行偏置如何影响自由能景观的收敛，以及相对于标准方法的每个变量，以及平行偏置策略在使用高级采样计算自由能时解决常见瓶颈的有效性。
2021-09-10 physics.chem-ph physics.comp-ph
Learning collective variables that respect permutational symmetry
提出一个学习尊重平移、旋转和置换对称性集体变量的数值框架，结合排序特征化、流形学习和自编码器，在Lennard-Jones团簇案例中准确估计了转移速率和停留时间。
2025-07-01 cs.NA math.NA physics.chem-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
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
Sampling Free Energy Surfaces as Slices by Combining Umbrella Sampling and Metadynamics
元吸附动力学（MTD）是一种非常强大的技术来采样高维自由能景观，由于其自引导特性，该方法已成功地研究复杂的反应和构象变化。MTD采样基于通过偏置电势填充自由能盆地，因此对于具有平坦、宽和未束缚自由能阱的情况，对其进行采样的计算时间变得非常大。为了缓解这个问题，我们结合了标准的伞抽样（US）技术与MTD正交集体变量（CV）的同时采样。在这个计划中，我们构建了平衡分布的CV偏置分布从独立的MTD模拟伞电位。通过在加权直方图分析方法（WHAM）中结合US重新加权和Tiwary-Parrinello MTD重新加权的程序进行重新加权。该方法非常适合MTD模拟中CV的受控采样，使其在采样平坦，宽阔和未绑定的自由能表面时具有计算效率。该技术还允许对高维自由能表面进行分布式采样，进一步提高采样中的计算效率。我们展示了应用该技术采样高维表面的各种化学反应使用从头算和QM/MM混合分子动力学模拟。此外，为了进行MTD偏置重新加权计算正向反应势垒从头算或QM/MM模拟，我们提出了一个计算负担得起的方法，不需要重新交叉轨迹。
2016-02-04 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
Unbiasing Enhanced Sampling on a High-dimensional Free Energy Surface with Deep Generative Model
Purdue University（普渡大学）
针对高维自由能面增强采样的去偏差难题，提出基于分数扩散模型的深度生成去偏差方法，在TAMD模拟中验证其性能优于传统方法，可处理更多CV的模拟并生成准确无偏构象系综。
2023-12-18 cond-mat.stat-mech cs.LG physics.chem-ph
Combining Enhanced Sampling with Experiment Directed Simulation of the GYG peptide
实验导向模拟是一种使分子动力学模拟与实验观察结果相匹配的技术。该方法提高了精度，但没有解决大型系统的分子动力学模拟的采样问题。这项工作结合了实验导向的模拟与并行回火和并行回火良好回火系综复制交换方法，以提高实验导向的模拟采样。这些方法在显式水中的GYG三肽上进行了证明。由实验导向模拟偏置的集体变量是化学位移，其中设定点由NMR实验确定。结果表明，在实验指导的模拟方法中，采用平行回火和平行回火的良回火系综来增强抽样是可能的。这种方法的组合提供了一种新的方法，既准确又详尽地模拟生物系统。
2018-04-13 physics.chem-ph
Exploring RNA structure and dynamics through enhanced sampling simulations
RNA的功能与其结构动力学密切相关。分子动力学模拟是有用的探索生物分子的灵活性，但严重限制了可访问的时间尺度。增强的采样方法允许有效地延长这一时间尺度，以探测生物相关的构象变化和化学反应。在这里，我们回顾了增强的采样技术在RNA系统的研究中的作用。我们讨论了这些方法的力场验证，探索构象景观和离子/配体-RNA相互作用，以及催化途径的应用相关的挑战和承诺。这些方法的重要技术方面，如有偏见的集体变量的选择和多副本模拟的分析，进行了详细研究。最后，这些方法在RNA动力学的表征中的作用的角度提供。
2018-01-02 physics.bio-ph physics.chem-ph physics.comp-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
Enhanced Sampling in the Well-Tempered Ensemble
我们引入了以能量为集体变量时，由良调元自适应采样的有偏系综--良调系综。WTE可以被设计为具有与正则系综近似相同的平均能量，但波动要大得多。这两个属性导致了相空间的极快探索。当WTE与平行回火相结合时，可获得更高的效率。无偏玻尔兹曼平均值是用最近发展起来的重新加权方法在飞行中计算的[M. Bonomi等人，J. Comput. 30，1615（2009）]。我们应用WTE和它的平行回火变体的2D伊辛模型和去模型的HIV蛋白酶，表明在这两个代表性的情况下，收敛速度加快的数量级。
2010-04-13 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Understanding chemical reactions via variational autoencoder and atomic representations
在原子数值模拟的时间尺度上，化学反应被认为是罕见的事件。原子模拟通常沿着原子结构空间中的化学反应的低维表示偏置，即，沿着集体变量，以加速对这些不可能事件的采样。然而，由于转换的复杂性，合适的集合变量通常很难猜测。因此，我们提出了一种从原子表示向量生成鲁棒集体变量的自动方法，使用固定的Behler-Parrinello函数或从预训练的机器学习潜力中提取的表示。以这些表示作为输入的变分自动编码器被训练，而其具有任意维度的潜在空间为我们提供了集合变量。由此产生的集体变量继承了原子表示的所有必要的不变性，并且可以完全无监督地进行训练。使用三种不同的化学反应，一个是复杂的水解的非均相铝硅酸盐催化剂的方法的有效性证明。最后，我们考虑在看不见的原子结构预测的上下文中的方法，有效地创建结构的不同值的集体变量的生成模型的方式。
2022-03-15 physics.chem-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
Kinetics of Barrier Crossing Events from Temperature Accelerated Sliced Sampling Simulations
本研究提出一种结合人工神经网络高维自由能面表征与稀有事件元动力学的方案，从温度加速切片采样（TASS）的不同切片自由能数据中恢复势垒跨越事件动力学，通过三个体系的速率常数计算验证了方法准确性，拓展了TASS的适用范围。
2025-09-05 physics.chem-ph
Enhanced Sampling of Protein Conformational Changes via True Reaction Coordinates from Energy Relaxation
针对增强采样中难以找到有效集体变量的问题，该研究利用广义功函数方法从能量弛豫模拟中获取控制构象变化和能量弛豫的真实反应坐标，将相关过程加速10^5至10^15倍，拓宽了分子动力学模拟的应用范围。
2024-12-05 physics.chem-ph
Have you tried turning it off and on again? Stochastic resetting for enhanced sampling
本文系统介绍了随机重置这一无集合变量、高度并行且易实现的增强采样方法，阐述其加速稀有事件采样和推断动力学观测量的原理，并综述最新进展与实践指南。
2025-04-08 cond-mat.soft cond-mat.stat-mech physics.chem-ph
REinforcement learning based Adaptive samPling: REAPing Rewards by Exploring Protein Conformational Landscapes
分子动力学模拟的关键限制之一是与大系统尺寸或长时间尺度相关的采样蛋白质构象景观的计算困难性。为了克服这个瓶颈，我们提出了基于强化学习的自适应采样（REAP）算法，该算法旨在通过学习每个反应坐标的相对重要性来有效地对构象空间进行采样。为了实现这一点，该算法使用了强化学习领域的概念，这是机器学习的一个子集，它奖励沿着重要自由度的采样，而忽略其他不利于探索或利用的采样。我们证明了REAP的有效性，通过比较两个模型的景观（L形和圆形），和现实的系统，如丙氨酸二肽和Src激酶的采样长连续MD模拟和最小计数自适应采样。在所有四个系统中，REAP算法始终证明其探索构象空间的能力比其他两种方法更快，当比较给定时间内发现的景观的预期值时。REAP的主要优点是实时估计集体变量的重要性，这使得它对结构信息有限的系统特别有用。
2018-07-05 physics.bio-ph physics.chem-ph q-bio.BM
