다차원 자유에너지 재구성을 위한 물리 기반 스코어 학습

초록

FPSL을 2차원으로 확장해 비평형 MD 데이터로부터 자유에너지 지형을 효율적으로 복원한다. 주기성 CV와 대칭성을 Fourier 피처로 내재화하고, 시간‑미분 및 Fokker‑Planck 물리 정규화를 적용해 희소 영역에서도 안정적인 학습을 구현한다. 알라닌 디펩타이드와 지질막 투과 모델(코스‑그레인·전구)에서 기존 1D/umbrella‑sampling 대비 빠른 수렴과 높은 정확도를 보이며, 그리드 기반 방법의 차원 저주를 극복한다.

상세 분석

본 논문은 기존 1차원 자유에너지 추정이 갖는 차원 저주와 비평형 시뮬레이션의 제한을 극복하기 위해 Fokker‑Planck Score Learning(FPSL)을 2차원(CV)으로 일반화하였다. 핵심 아이디어는 비평형 정상상태(NESS)에서 얻은 확률 전류와 포텐셜을 물리‑정보로 활용해, 확산‑역과정(SDE)에서의 스코어 ∇ln p를 신경망이 직접 학습하도록 하는 것이다. 이를 위해 시간‑의존적 효과 포텐셜 U_eff(x,τ) 를 정의하고, τ=0에서 실제 물리 포텐셜 U(x) 를, τ=1에서 균일 사전분포를 연결한다. 스코어는 에너지 기반 파라미터화 s_θ = −β∇U_θ 로 표현되며, 학습 목표는 denoising score matching 손실 L_DSM 에 물리 정규화 L_FP 또는 시간‑미분 정규화 L_reg 을 가중치 λ_1, λ_2 와 함께 결합한 L = L_DSM+λ_1L_reg+λ_2L_FP 이다.

주기성 CV에 대한 대칭을 강제하기 위해 Fourier 피처(코사인·사인 조합)를 입력으로 사용한다. 2차원 경우 f(ϕ,ψ) = ∑_{n,m}