发表机构
Otto-von-Guericke Universität; Max-Planck-Institute for Dynamics of Complex Technical Systems; Brandenburg University of Technology Cottbus-Senftenberg; Martin-Luther-Universität Halle-Wittenberg; LAAS-CNRS, Université de Toulouse（奥托·冯·格里克大学; 马克斯·普朗克复杂技术系统动力学研究所; 勃兰登堡工业大学科特布斯-森夫滕贝格分校; 马丁·路德·哈雷-维滕贝格大学; 图卢兹大学法国国家科学研究中心实验室）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文通过将最优偏置势计算转化为遍历最优控制问题，并利用生成元学习求解，以加速分子动力学中的状态跃迁和平衡性质计算。
AI 中文摘要
我们研究了在分子动力学模拟中，用于加速亚稳态之间跃迁和计算平衡性质的最优偏置势的计算问题。我们将最优偏置问题表述为一个遍历最优控制问题（OCP），该问题可以转化为无偏动力学无穷小生成元的线性特征值问题。我们证明，基于数据的生成元学习方法能够可靠地求解该OCP、计算偏置势、提取平衡性质并加速状态跃迁。我们还探讨了该控制问题与粗粒化表示及粗粒化动力学学习之间的关系。
英文摘要
We investigate the computation of optimal bias potentials for accelerating transitions between metastable states and for computation of equilibrium properties in molecular dynamics simulations. We formulate optimal biasing as an ergodic optimal control problem (OCP), which can be recast as a linear eigenvalue problem for the infinitesimal generator of the unbiased dynamics. We demonstrate that data-driven learning methods for the generator enable reliable solution of the OCP, computation of biasing potentials, extraction of equilibrium properties, and acceleration of state transitions. We also explore the relation of the control problem to coarse grained representations and learning of coarse grained dynamics.
