Investigation of machine learning-based schemes for the development of coarse-grained force fields for organic molecules

Abstract

Στην μεταπτυχιακή διατριβή παρουσιάζεται η ανάπτυξη ενός καινοτόμου πρωτοκόλλου αξιολόγησης και κατάταξης που ενσωματώνει φυσικές γνώσεις για την αξιολόγηση της απόδοσης των μοντέλων και χρησιμοποιεί στατιστικές δοκιμές για επικύρωση. Το πρωτόκολλο εφαρμόστηκε για την αντιμετώπιση ενός προβλήματος βελτιστοποίησης πολλαπλών στόχων που σχετίζονται με την αυτοπροσαρμογή των βαρών ενός μοντέλου Graph Convolutional Neural Network. Συγκεκριμένα, το μοντέλο Graph Convolutional Neural Network σχεδιαστηκ για να προσομοιώνει ένα αδροποιημένων δυναμικό αλληλεπίδρασης για οργανικά μόρια. Η αρχιτεκτονική SchNet, ένα πλαίσιο βαθιάς μάθησης προσαρμοσμένο για ατομικιστικά συστήματα και ικανό να μοντελοποιεί κβαντικές αλληλεπιδράσεις σε μόρια, χρησίμευσε ως βάση για την προτεινόμενη προσέγγιση. Το σύνολο δεδομένων που χρησιμοποιήθηκε κατά την διαδικασία της εκμάθησης αποτελούνταν από πολλαπλά στιγμιότυπα που προέκυψαν από ατομικιστικές προσομοιώσεις μορίων βενζολίου. Αυτή η έρευνα επικεντρώθηκε κυρίως στην επίτευξη μιας αυτοεξισορρόπησης των βαρών των δύο συνιστωσών της συνάρτησης απώλειας του. Για τον εντοπισμό της πιο αποτελεσματικής αυτοεξισορρόπησης μέθοδος μεταξύ των διαφόρων εναλλακτικών λύσεων, χρησιμοποιήθηκε το αναπτυγμένο πρωτόκολλο για την αξιολόγηση της απόδοσης κάθε προσέγγισης. Τα αποτελέσματα της αξιολόγησης αποκάλυψαν την βέλτιστη αυτοεξισορρόπηση προσέγγιση για αυτό το συγκεκριμένο πρόβλημα βελτιστοποίησης πολλαπλών στόχων στο πλαίσιο της προσομοίωσης αδροποιημένων δυναμικών αλληλεπίδρασης για οργανικά μόρια. Η προτεινόμενη μεθοδολογία αξιολόγησης προσφέρει πολύτιμη συμβολή στον τομέα της βαθιάς μάθησης που εφαρμόζεται στα ατομικιστικά συστήματα και στην βελτιστοποίηση πολλαπλών στόχων, ανοίγοντας το δρόμο για περαιτέρω εξελίξεις στις προσομοιώσεις μοριακής δυναμικής και τη σχετική έρευνα.