ترجمه فارسی مقاله بررسی فضای هایپرپارامتر مدل‌های شبکه عصبی عمیق برای بهینه‌سازی مختصات واکنش: کاربرد در آلانین دی‌پپتید در آب

چکیده

Identifying reaction coordinates (RCs) from many collective variable candidates have been of great challenge in understanding reaction mechanisms in complex systems. Machine learning approaches, especially the deep neural network (DNN), have become a powerful tool and are actively applied. On the other hand, selecting the hyperparameters that define the DNN model structure remains to be a nontrivial and tedious task. Here we develop the hyperparameter tuning approach to determine the parameters in an automatic fashion from the trajectory data. The DNN models are constructed to obtain a RC from many collective variables that can adequately describe the changes of the committor from the reactant to product. The approach is applied to study the isomerization of alanine dipeptide in vacuum and in water. We find that multiple DNN models with similar accuracy can be obtained, indicating that hyperparameter space is multimodal. Nevertheless, despite the differences in the DNN model structure, the key features extracted using the explainable AI (XAI) tools show that all RC share the same character. In particular, the reaction in vacuum is characterized by the dihedral angles $φ$ and $θ$. The reaction in water also involves these dihedral angles as key features, and in addition, the electrostatic potential from the solvent to the hydrogen (H${}_{18}$) plays a role at about the transition state. The current study thus shows that, in contrast to the diversity in the DNN models, suitably optimized DNN models share the same features and share the common mechanism for the reaction of interest.

چکیده به فارسی (ترجمه ماشینی)

شناسایی مختصات واکنش (RC) از بسیاری از نامزدهای متغیر جمعی در درک مکانیسم های واکنش در سیستم های پیچیده از چالش بزرگی برخوردار بوده است.رویکردهای یادگیری ماشین ، به ویژه شبکه عصبی عمیق (DNN) به ابزاری قدرتمند تبدیل شده و به طور فعال کاربرد دارند.از طرف دیگر ، انتخاب HyperParameters که ساختار مدل DNN را تعریف می کنند ، همچنان یک کار غیرقانونی و خسته کننده است.در اینجا ما روش تنظیم HyperParameter را برای تعیین پارامترها به صورت خودکار از داده های مسیر توسعه می دهیم.مدل های DNN برای به دست آوردن RC از بسیاری از متغیرهای جمعی ساخته شده اند که می توانند به اندازه کافی تغییرات متعهد از واکنش دهنده به محصول را توصیف کنند.این روش برای مطالعه ایزومریزاسیون آلانین دیپپتید در خلاء و آب استفاده می شود.ما می دانیم که چندین مدل DNN با دقت مشابه می توان به دست آورد ، که نشان می دهد فضای هایپرپارامتر چندمودال است.با این وجود ، با وجود تفاوت در ساختار مدل DNN ، ویژگی های کلیدی استخراج شده با استفاده از ابزارهای قابل توضیح AI (XAI) نشان می دهد که همه RC یک شخصیت یکسان را دارند.به طور خاص ، واکنش در خلاء توسط زاویه های دیجیتال $ φ $ و $ θ $ مشخص می شود.واکنش در آب همچنین شامل این زوایای دیجیتال به عنوان ویژگی های کلیدی است ، و علاوه بر این ، پتانسیل الکترواستاتیک از حلال به هیدروژن (H $ {} _ {18} $) در مورد حالت انتقال نقش دارد.مطالعه حاضر نشان می دهد که ، بر خلاف تنوع در مدل های DNN ، مدل های DNN بهینه سازی شده بهینه شده ، ویژگی های یکسانی را به اشتراک می گذارند و مکانیسم مشترک را برای واکنش علاقه به اشتراک می گذارند.