【视频】为什么我们需要机器学习力场研究分子动力学？

本文整理自/《机器学习在分子动力学中的应用》培训视频

原创/wlj

编辑/paprika

我们都知道在很多实际问题中，需要模拟体系的动态过程，而这需要计算体系的能量。但第一性原理计算能量成本过高，无法解决很多有现实价值的大体系问题。在上世纪70年代人们提出力场的概念，以原子的几何排布来近似能量，大幅加快计算能量的速度。一般来说，力场会考虑原子间距离、化学键夹角以及其他更复杂的特征。

经过大约几十年的发展，力场在生物制药领域得到非常广泛的应用。很多国外的大型药企，都在力场的研发上有相当大的投入。但是我们称之为经典力场的这套方法，在很多情况下精度并不令人满意。力场的开发许多时候依赖于经验和实验数据，所以自然会引入一些噪音，这对力场的精度会造成影响。另外材料、化学工程领域，许多问题需要考虑量子力学效应，需要在力场中有体现。

力场的开发本质上是一个拟合的过程。举一个简单例子，对一个只有2个原子的体系，显然最重要的一个参数就是两个原子之间的距离。如果我们能够在某一个给定的范围内，很好地拟合出距离和能量之间的关系，那么就可以认为这是一个考虑周全的优秀力场。显然，对于更复杂的体系，需要更多的参数和更复杂的表达式。而从计算的角度来看，这恰恰是机器学习所擅长的。

PWmat强大的第一性原理计算能力可为训练力场提供精确数据源，因此可以获得更加精确的力场，大幅加速分子动力学计算。这有望在有限计算资源内增加可模拟的体系尺寸或模拟的时长，从而研究现阶段无法模拟的现象。以100个原子的体系为例，依托第一性原理计算能力可在有限资源下通过训练力场,模拟200个原子甚至更大的体系。这在材料、制药以及电池等工业领域都有很广阔的应用前景。

PWmat—MLFF机器学习平台有4种训练模型，分别为线性模型、非线性VV模型、基于Kalman滤波器的深度神经网络（KFNN）以及基于Kalman滤波器的DP-torch模型（KFDP），另外还有8种默认特征。此外，我们将在未来实现特征和模型的接口，用户可自己发展新的特征和新的训练模型。在训练数据上，PWmat-MLFF支持PWmat格式和VASP格式；在分子动力学模拟的阶段，用户可使用LAMMPS和PWmat。

得益于PWmat独特的能量分解算法，PWmat-MLFF可以将每个原子单独的能量作为训练数据输入到机器学习算法中。这相当于挖掘出每一步分子动力学计算中的隐含信息，有望降低训练数据量。其他软件或平台目前还不能拥有此项优势。在训练中，PWmat-MLFF提供Kalman滤波器作为优化器，相比常见的ADAM优化器，Kalman滤波器能够明显加速收敛的过程，缩短训练的时长。

目前，在龙讯超算云平台Mcloud上已预装PWmat-MLFF，并将其打造成一个开源平台，使得工业界和学术界用户能以最小的成本将机器学习力场投入应用。您可以前往github公开下载、自由获取代码，我们也欢迎不同领域朋友贡献智慧。