机器学习增强采样综述

Enhanced Sampling with Machine Learning: A Review

Shams Mehdi, Zachary Smith, Lukas Herron, Ziyue Zou, Pratyush Tiwary
[University of Maryland]

机器学习增强采样综述

要点:

动机：分子动力学(MD)使我们能以出色的时空分辨率研究物理系统，但受到严重的时间尺度限制。为了解决这个问题，人们开发了增强采样方法来改进配置空间的探索。然而，实施这些方法具有挑战性，需要领域专业知识。近年来，机器学习(ML)技术在不同领域的集成表现出了潜力，促使其在增强采样中得到应用。尽管ML通常因其数据驱动的性质而在各个领域得到应用，但其与增强采样的结合更为自然，有许多共同的基础协同作用。本文回顾了ML和增强MD的融合，提供了这个快速发展领域的全面概述。
方法：通过呈现不同的共享视角，探讨了ML和增强MD的融合。提供了这个快速发展领域的全面概述，这个领域很难保持更新。本文强调了成功的策略，如降维、强化学习和基于流的方法。最后，讨论了在激动人心的ML增强MD结合领域的开放问题。
优势：提供了一个全面的概述，让读者能够理解和跟踪这个快速发展的领域。它强调了成功的策略，如降维、强化学习和基于流的方法，这些都是在增强MD中应用ML的关键技术。此外，还讨论了一些开放的问题，这些问题是在ML增强MD结合领域的研究热点。

全面回顾了机器学习在增强分子动力学采样中的应用，强调了降维、强化学习和基于流的方法等成功策略，并讨论了该领域的开放性问题。

内容中包含的图片若涉及版权问题，请及时与我们联系删除