.png){kind=icon}
返回
Constructing Generalized Sample Transition Probabilities with Biased Simulations
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jctc.5c01307.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在分子动力学（MD）模拟中，获取状态间的转移概率对于理解反应路径和速率等动力学信息至关重要。然而，标准MD模拟受限于访问目标状态的能力，促使采用增强采样技术来加速该过程。不幸的是，有偏模拟会改变固有的概率分布，使得使用扩散映射等技术进行动力学计算变得具有挑战性。在此，我们使用粗粒化马尔可夫链来估计从有偏分布中采样得到的状态间的内在成对转移概率。我们提出的方法，称为广义样本转移概率（GSTP），能够在不依赖底层随机过程和指定核函数形式（扩散映射方法所必需的）的情况下恢复转移概率。所提出的算法在模型系统（如谐振子、Muller-Brown势系统、真空中的丙氨酸二肽以及溶剂中的甲硫脑啡肽）上进行了验证。结果表明，GSTP能够有效地从有偏数据中恢复无偏特征值和特征状态。GSTP为分析复杂系统中动力学信息提供了一个通用框架，其中在有偏模拟是获取更长时间尺度信息所必需的。
Keyword:
FREE-ENERGY LANDSCAPE
COLLECTIVE VARIABLES
MOLECULAR-DYNAMICS
DIFFUSION MAPS
RARE EVENTS
EFFICIENT
KINETICS
METADYNAMICS
STATE
期刊
IF:
5.5
论文数:
1.1W
被引数:
5.4W
机构
引用论文
.png){kind=icon}
分享收藏Nonphysical sampling distributions in Monte Carlo free-energy estimation: Umbrella sampling蒙特卡罗自由能估计中的非物理采样分布: 伞形采样
PREAI
分享收藏
查看更多内容