Neural Thermodynamic Integration: Free Energies from Energy-based Diffusion Models

热力学积分（TI）提供了一种严格的方法，通过对一系列插值构象集成进行积分来估计自由能差异。然而，由于需要采样具有足够构象空间重叠的大量中间集合，TI计算通常计算量大，且通常仅限于耦合少量自由度。在本研究中，我们提出了一种称为神经TI的方法，沿着可训练神经网络表示的一个变性路径进行TI。关键是，我们参数化了一个时间相关的哈密顿量，插值了相互作用和非相互作用系统之间的路径，并使用去噪扩散目标优化其梯度。由于所得到的基于能量的扩散模型能够采样所有中间集合，因此我们可以从单个参考计算中执行TI。我们将方法应用于Lennard-Jones流体中，报告了过量化学势的准确计算结果，证明了神经TI能够一次耦合数百个自由度。

论文提出了一种名为Neural TI的方法，旨在通过使用可训练的神经网络对化学势差进行热力学积分计算。该方法可以在单个参考计算中耦合数百个自由度。

论文中的关键思路是使用可训练的神经网络表示化学势差的热力学路径，并通过能量扩散模型来采样所有中间态，从而实现从单个参考计算中进行热力学积分计算。

论文的实验结果表明，Neural TI可以在Lennard-Jones流体中实现准确的化学势计算，并可以耦合数百个自由度。该方法可以大大减少计算成本，是一种非常有前途的方法。此外，论文还开源了代码，可以为后续研究提供参考。

最近的相关研究包括使用机器学习方法进行热力学积分计算，如Variational Autoencoders (VAE)和Generative Adversarial Networks (GAN)等。