基于玻尔兹曼生成器的MCMC移动的过渡路径采样
Transition Path Sampling with Boltzmann Generator-based MCMC Moves
AI总结：
本文提出一种基于玻尔兹曼生成器的MCMC方法，在潜空间中采样分子过渡路径，无需分子动力学模拟，并在丙氨酸二肽上验证了精确采样和不同提议机制。
摘要：
对分子系统的两个三维状态之间的所有可能的过渡路径进行采样，具有从催化剂设计到药物发现的各种应用。当前采样过渡路径的方法使用马尔可夫链蒙特卡洛，并依赖耗时的分子动力学模拟来寻找新路径。我们的方法在归一化流的潜空间中操作，该流将分子的玻尔兹曼分布映射到高斯分布，我们在其中提出新路径而无需进行分子模拟。利用丙氨酸二肽，我们探索了潜空间中的Metropolis-Hastings接受准则以进行精确采样，并研究了不同的潜提议机制。
英文摘要：
Sampling all possible transition paths between two 3D states of a molecular system has various applications ranging from catalyst design to drug discovery. Current approaches to sample transition paths use Markov chain Monte Carlo and rely on time-intensive molecular dynamics simulations to find new paths. Our approach operates in the latent space of a normalizing flow that maps from the molecule's Boltzmann distribution to a Gaussian, where we propose new paths without requiring molecular simulations. Using alanine dipeptide, we explore Metropolis-Hastings acceptance criteria in the latent space for exact sampling and investigate different latent proposal mechanisms.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
