Free Energy Surface Sampling via Reduced Flow Matching

📄 arXiv: 2605.00337v1 📥 PDF

作者: Zichen Liu, Tiejun Li

分类: cs.LG

发布日期: 2026-05-01

💡 一句话要点

提出FES-FM方法，通过约简流匹配实现高效自由能面采样

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 自由能面采样 流匹配 集体变量 统计物理 分子动力学

📋 核心要点

  1. 传统自由能面采样计算成本高昂，限制了对复杂体系的研究。
  2. FES-FM通过在集体变量空间训练动态传输映射，直接采样自由能面。
  3. 实验表明，FES-FM在降低计算成本的同时，提高了采样精度。

📝 摘要（中文）

自由能面（FES）采样是统计物理中的一个关键问题，它有助于更好地理解化学反应和构象转变。传统的自由能面采样方法需要在高维构型空间中进行模拟，并将结果投影到集体变量（CVs）空间。为了降低这种采样的计算成本，我们提出了一种用于自由能采样的约简流匹配（FM）方法，称为FES-FM。该方法在CV空间中训练一个动态传输映射，从而能够直接采样自由能面。对于多粒子系统，我们基于势能局部最小值的Hessian构建先验分布，确保旋转-平移不变性和物理上有意义的构型。我们在各种势函数和集体变量上评估了所提出的方法。对比实验表明，我们的方法在显著降低计算成本的同时，提供了更高的单位采样时间精度。

🔬 方法详解

问题定义：论文旨在解决自由能面采样中计算成本过高的问题。传统方法需要在高维构型空间进行模拟，然后投影到低维的集体变量空间，计算量巨大，难以应用于复杂体系。现有方法的痛点在于计算效率低下，限制了对化学反应和构象转变等现象的深入研究。

核心思路：论文的核心思路是直接在集体变量空间中学习一个动态传输映射，从而避免在高维空间进行采样。通过流匹配（Flow Matching）技术，训练一个能够将简单先验分布映射到目标自由能面分布的连续归一化流模型。这样可以直接对自由能面进行采样，显著降低计算复杂度。

技术框架：FES-FM方法主要包含以下几个阶段：1) 定义集体变量空间；2) 构建先验分布，对于多粒子系统，基于势能局部最小值的Hessian构建旋转-平移不变的先验分布；3) 使用流匹配方法训练动态传输映射，该映射将先验分布映射到自由能面分布；4) 使用训练好的传输映射进行自由能面采样。

关键创新：最重要的技术创新点在于将流匹配技术应用于自由能面采样，实现了在低维集体变量空间直接采样。与传统方法相比，FES-FM避免了在高维构型空间进行模拟，大大降低了计算成本。此外，针对多粒子系统，论文提出了一种基于Hessian的先验分布构建方法，保证了旋转-平移不变性和物理意义。

关键设计：论文使用连续归一化流作为动态传输映射的模型，损失函数采用标准的流匹配损失。对于多粒子系统，先验分布选择为高斯分布，其协方差矩阵由势能局部最小值的Hessian矩阵决定。集体变量的选择取决于具体的物理化学问题，可以是原子间距离、二面角等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FES-FM方法在多种势函数和集体变量下均表现出优异的性能。与传统方法相比，FES-FM在显著降低计算成本的同时，提供了更高的单位采样时间精度。具体而言，在某些测试案例中，FES-FM的计算效率提高了数倍，同时保持了与传统方法相当甚至更高的采样精度。

🎯 应用场景

该研究成果可广泛应用于化学、材料科学和生物物理等领域，例如研究蛋白质折叠、化学反应路径、材料相变等。通过高效的自由能面采样，可以更深入地理解这些过程的机制，并为新材料设计和药物发现提供理论指导。未来，该方法有望应用于更复杂的体系，例如生物大分子组装和催化反应等。

📄 摘要（原文）

Sampling the free energy surface, namely, the distribution of collective variables (CVs), is a crucial problem in statistical physics, as it underpins a better understanding of chemical reactions and conformational transitions. Traditional methods for free energy surface sampling involve simulation in high-dimensional configuration space and projecting the resulting configurations onto the CV space. To reduce the computational costs of such sampling, we propose FES-FM, a reduced flow matching (FM) method for free energy sampling (FES). We train a dynamical transport map in the CV space, thereby enabling direct sampling of the free energy surface. For many-particle systems, we construct a prior distribution based on the Hessian at a local minimum of the potential, which ensures both rotation-translation invariance and physically meaningful configurations. We evaluate the proposed method across a variety of potential functions and collective variables. Comparative experiments demonstrate that our approach drastically reduces computational costs while delivering superior accuracy per unit sampling time.