Επιτάχυνση μοντέλων φυσικών μέσω μηχανικής μάθησης - Μελέτη περίπτωσης: Boltzmann Generators

Abstract

Η υπολογιστική επίλυση μοντέλων φυσικής είναι μία ανάγκη που έχει προκύψει εδώ και πολλές δεκαετίες. Σε αυτό το χρονικό διάστημα έχει μελετηθεί πλήθος επιστημονικών ερωτημάτων, πολλές φορές κρίσιμων για διαφορετικούς τομείς της σύγχρονης ανθρώπινης δραστηριότητας, παρέχοντας τη δυνατότητα για περαιτέρω διερεύνηση τους σε μεγαλύτερο βάθος. Αυτή η αδιάλειπτη πρόοδος δημιουργεί μεγάλες προσδοκίες και αυξανόμενες απαιτήσεις για την αποτελεσματικότητα και την αξιοπιστία των υπολογιστικών προσεγίσσεων. Αυτή είναι η περίπτωση και στον τομέα της έρευνας για την ανάπτυξη καινοτόμων υλικών μέσω μοριακής μοντελοποίησης, όπου οι ιδιότητές τους εξετάζονται και συνδέονται με τη συμπεριφορά τους σε επίπεδο ατόμων και μορίων.

Η μοριακή μοντελοποίηση είναι ένας επιστημονικός τομέας που συγκεντρώνει μεγάλο ερευνητικό ενδιαφέρον. Περιλαμβάνει πλήθος μεθοδολογιών και τεχνικών που μπορούν να προσπελάσουν ένα εκπληκτικά μεγάλο εύρος ιδιοτήτων που ενδιαφέρουν ανά περίπτωση. Τα αντίστοιχα υπολογιστικά σχήματα είναι βασισμένα στην φυσική και η εφαρμογή τους έχει μεγάλες απαιτήσεις σε υπολογιστικούς πόρους και χρόνο. Οι απαιτήσεις αυτές αυξάνονται δισανάλογα με την πολυπλοκότητα των υπό μελέτη συστημάτων. Το γεγονός αυτό έχει οδηγήσει στη διερεύνηση της χρήση διαφόρων μεθόδων μηχανικής μάθησης ως μέρος των σχημάτων που εφαρμόζονται.

Στις μοριακές προσομοιώσεις, θεωρείται ένα μικρός αλλά χαρακτηριστικός όγκος ελέγχου του συστήματος, τα χαρακτηριστικά των συστατικών μορίων και οι αλληλεπιδράσεις που αναπτύσσονται μεταξύ τους. Στην συνέχεια, με τη χρήση στατιστική φυσικής και υπολογιστικών τεχνικών εξετάζεται η συμπεριφορά του συστήματος, προσδιορίζονται οι ιδιότητές του και συνδέονται με υποκείμενους μοριακούς μηχανισμούς. Ως εκ τούτου, οι ιδιότητες του συστήματος κατανοούνται σε βάθος ενώ μπορεί να προσδιοριστεί η εξάρτησή τους από τις συνθήκες και άλλους παράγοντες.

Σε κάθε περίπτωση, η ορθότητα της προσέγγισης εξαρτάται από τον σωστό προσδιορισμό των παραμέτρων του μοντέλου και της μεθοδολογίας επίλυσης ενώ συνήθως ως αποτέλεσμα παράγεται ένας μεγάλος όγκος πρωτογεννών δεδομένων προς ανάλυση και διαχείριση. Τα δεδομένα είναι συνήθως διαμορφώσεις του συστήματος (π.χ. θέσεις και ταχύτητες των ατόμων του συστήματος στο θεωρούμενο όγκο ελέγχου) ενώ η ποιότητα τους, σε αδρές γραμμές, έξαρτάται από την ρεαλιστικότητα και η πιθανότητα τους.

Η παρούσα μεταπτυχιακή εργασία ασχολείται με τον έλεγχο και την αξιολόγιση μίας πρόσφατης προσέγγισης για την δημιουρία αρχικών ρεαλιστικών μοριακών διμορφώσεων μέσω τεχνικών μηχανικής μάθησης η οποία διφέρει από την κλασική κατασκευαστική προσπάθεια επίλυση του προβλήματος.

Πιο συγκεκριμένα, υλοποιείται ένα νευρωνικό δίκτυο, το οποίο ενσωματώνει τη μέθοδο Boltzmann generators για τη δειγματοληψία μορίων πολυαιθυλενίου. Η μέθοδος έχει εφαρμοστεί αρχικά για τη δημιουργία διαμορφώσεων πρωτεϊνών όπου, σε αντίθεση με τα εύκαμπτα πολυμερή, η διαμόρφωση τους εξαρτάται από έναν σχετικά περιορισμένο αριθμό εσωτερικών βαθμών ελευθερίας. Τα δεδομένα για την εκπαίδευση του μοντέλου εξάγονται με χρήση Μοριακής Δυναμικής (ΜΔ) αλλά και με μια κλασική μέθοδο Monte Carlo (MC) κατασκευής μοριακών διαμορφώσεων που υλοποιήθηκε για την εργασία.