Generative Modeling of Molecular Dynamics Trajectories

分子动力学（MD）是研究微观现象的强大技术，但其计算成本使得人们对基于深度学习的替代模型产生了极大的兴趣。我们引入了分子轨迹的生成建模作为一种范例，从数据中学习MD的灵活多任务代理模型。通过在轨迹的适当选择的帧上进行条件设定，我们展示了这种生成模型可以适应各种任务，如正向模拟、转换路径采样和轨迹上采样。通过交替地对分子系统的一部分进行条件设定和对其余部分进行修复，我们还展示了动力学条件下分子设计的第一步。我们通过四肽模拟验证了所有这些功能，并展示了我们的模型可以产生合理的蛋白单体集合。总之，我们的工作说明了生成建模如何从MD数据中释放出价值，用于各种下游任务，这些任务即使使用现有方法或MD本身也不容易解决。代码可在https://github.com/bjing2016/mdgen上获得。

本文试图通过生成式建模分子轨迹的方法，学习灵活的、多任务的分子动力学代理模型，解决分子动力学模拟的高计算成本问题，并且探索了分子设计的可能性。

本文提出了一种新的方法，通过生成式建模来学习分子动力学代理模型，并且将其应用于多个任务，包括前向模拟、转换路径采样和轨迹上采样等。同时，本文还展示了一些初步的结果，探索了基于动力学条件的分子设计的可能性。

本文的实验基于四肽模拟，展示了生成式模型可以产生合理的蛋白质单体集合。另外，本文提供了开源代码，并且展示了生成式建模在分子动力学研究中的广泛应用潜力。

在分子动力学代理模型的研究中，近期涌现了很多基于深度学习的方法，比如基于神经网络的插值方法、生成对抗网络等。相关的论文包括：《Deep Potential Molecular Dynamics: A Scalable Model with the Accuracy of Quantum Mechanics》、《End-to-End Symmetry Preserving Interpolation of Atomic Structures》等。