共计 1721 个字符，预计需要花费 5 分钟才能阅读完成。
摘要： 分子动力学仿真模仿的重点就在于如何建设模型形容分子间的相互作用。
本文分享自华为云社区《AI 建模 - 分子动力学仿真》，作者：木子_007。
一、背景
分子动力学的仿真模仿广泛应用于医药、化学、生物、资料等畛域，钻研模仿物质的宏观构造，能够帮忙咱们了解物质的宏观性质，甚至对物质的宏观性质做出预测，物质的宏观构造是由原子间的相互作用决定的，所以分子动力学仿真模仿的重点就在于如何建设模型形容分子间的相互作用。
传统的建模伎俩有两种：DFT（第一性原理）和教训力场。
DFT
DFT 又称为第一性原理，具体建模和计算的过程非常复杂，须要很浅近的数学和畛域常识，理解一下即可
DFT 构建的模型，能够看做是黑盒，依据输出，能够计算出下一帧体系内原子的状态
DFT 的计算结果是比拟精确的，然而因为计算代价太高，导致计算效率太低，只可能模仿几百个原子的物理体系。
教训力场
教训力场，是人们在钻研某个物理体系时，依据其物理个性和一些试验后果，再加上一些解决教训，所构建的一个高阶函数，如钻研惰性气体时的势能函数。
这种构建形式计算效率很高，然而其建模形式自身就决定了其精度不高。所以传统的分子动力学仿真存在一个窘境，即无奈效率和精度兼顾，而随着深度学习的遍及使这种窘境有了解决的思路。接下来就分子动力学仿真框架 DeepMD 的建模思维，做一个简略的介绍。
二、AI 建模（water H2O 为例）
微观粒子上的相互作用
实质上是对于原子空间坐标的一个高维函数，如果可能计算出这个函数，那么在进行仿真的时候，就能够性能与精度兼顾了，传统数学工具对高维函数不足无效伎俩，而 AI 深度学习，实质上就是一个数学工具。为高维函数的迫近提供了无力工具，接下来会介绍一下建模的思维和过程。首先理分明咱们的目标和已具备的条件：
目标：构建一个深度学习网络，最终能够训练计算出一个高维函数（训练出一个模型）来示意这个物理体系，最终计算出来的后果，近似于第一性原理的计算结果。
模型：
训练及测试数据：
由第一性原理计算出来的体系内不同帧的原子状态，包含，原子坐标 coord，空间尺度坐标 box，体系的能量 energy，体系中每个原子受到的力 force
训练：
训练 L2 级别的 loss
2.1 数据处理
通过下面的剖析，咱们要建设的这个模型，输出就是体系内原子的坐标，输入就是体系的势能和原子受到的力，然而，有一点须要特地留神，对于一个体系如水分子，如果一个水分子产生了旋转，平移或者它的两个氢原子产生替换，那么能量是不变的。
这种变动咱们从直觉上了解是失常的，然而从模型的角度，这就要求，在坐标发生变化之后，输入还能放弃与变动前统一，这对模型来说，往往是不可能的，所以在真正进入到深度学习 DNN 网络之前，须要对原始的原子三维坐标，做一些解决，使其可能满足空间中的平移，旋转和替换不变性。
2.1.1 平移不变性
要保障平移不变性，咱们能够把空间中的原子右边转为原子间的绝对间隔，创立一个间隔矩阵 Ri。
依据原子核心框架，对间隔矩阵做平滑解决，将超过截断半径外的原子的影响置为 0。
2.1.2 替换和旋转不变性
要满足空间中的替换和旋转不变性，须要对间隔矩阵做一些变动，这里介绍一下论断
创立矩阵 G，将环境描述符 D 示意为如下的模式，能够满足空间的替换不变。
同时，因为对间隔矩阵做旋转变动后，依然是其自身，所以也满足了旋转不变。
这样，空间的坐标就转为了具备理论物理意义的环境形容 D，就能够参加到接下来的 DNN 网络训练中。
2.2 整网训练
到这里，训练网络的构建曾经实现，如下图所示
深度势能的结构如下：
环境形容
原子的受力依据其平滑势能计算，失去如下，实际上是对原子势能面计算梯度失去。
损失函数定义为
那么这个建模就实现了，之后就是具体的实现了。
三、小结
以上只是分享了一些 DeepMD-kit 框架的构建思维，分子动力学仿真畛域还有很多框架和思维值得学习开掘，比方为了加强模型对物理场景散布的笼罩，须要在训练的过程中随机采样，生成数据让模型做出预测，预测的不准，就把数据退出训练集持续训练，这个操作是包装了 DeepMD-kit 的另外一个框架 DeepGen 做的内容，当前有工夫再总结一下其中的一些设计思维和算法优化的内容。
点击关注，第一工夫理解华为云陈腐技术~