Learning Biomolecular Motion: The Physics-Informed Machine Learning Paradigm
Aaryesh Deshpande
统计学习和分子物理学的融合正在改变我们建模生物分子系统的方法。 物理知识机器学习(PIML)提供了一个系统框架,将数据驱动的推理与物理约束相结合,从而产生准确,机械,可推广的模型,并且能够推断出观察到的领域。 本综述调查了物理信息神经网络和运算符学习、可微分分子模拟和混合物理-ML电位的最新进展,重点是长尺度动力学、罕见事件和自由能量估计。 我们将这些方法作为“生物分子闭合问题”的解决方案,恢复经典力场以外的未解决的相互作用,同时保持热力学一致性和机械性可解释性。 我们研究理论基础,工具和框架,计算权衡和未解决的问题,包括模型表现力和稳定性。 我们概述了机器学习,统计物理学和计算化学交叉点的前瞻性研究途径,认为未来的进步将取决于机械感应偏差,以及用于生物分子模拟和发现的可区分的物理学习框架。
The convergence of statistical learning and molecular physics is transforming our approach to modeling biomolecular systems. Physics-informed machine learning (PIML) offers a systematic framework that integrates data-driven inference with physical constraints, resulting in models that are accurate, mechanistic, generalizable, and able to extrapolate beyond observed domains. This review surveys recent advances in physics-informed neural networks and operator learning, differentiable molecular sim...