Resumen Técnico: Hacia Resolutores de Redes Neuronales con Información Física No Supervisados por Trayectoria para la Dinámica Molecular

1. Planteamiento del Problema

Las simulaciones de dinámica molecular (MD) están gobernadas por ecuaciones de movimiento explícitas; sin embargo, la mayoría de los enfoques neuronales existentes diseñados para acelerar o emular la MD dependen fuertemente de trayectorias, fuerzas o energías generadas por simuladores para su entrenamiento. Esta dependencia de la "supervisión de trayectoria" limita la generalización, ya que los modelos suelen fallar al extrapolar más allá del dominio de entrenamiento específico o requieren conjuntos de datos extensos que pueden omitir candidatos de alto rendimiento poco comunes.

La pregunta central abordada por este trabajo es: ¿Hasta qué punto se pueden recuperar trayectorias moleculares físicamente significativas directamente de las leyes físicas que las gobiernan, sin utilizar trayectorias, fuerzas o energías generadas por un simulador como objetivos de supervisión?

Si bien las Redes Neuronales Informadas por la Física (PINNs) ofrecen un marco para el entrenamiento mediante ecuaciones gobernantes en lugar de datos, los intentos previos de resolutores de MD informados por la física (por ejemplo, PND, NP-SNN) aún han dependido de términos de coincidencia de datos (comparando predicciones con rollouts del simulador) o términos de posición explícitos en sus funciones de pérdida. Una formulación totalmente impulsada por la física, donde las trayectorias emergen únicamente de las ecuaciones de movimiento y las leyes de conservación, sigue siendo un desafío abierto.

2. Metodología: DINaMo

Los autores presentan DINaMo (Differentiable Newtonian Molecular Solver), un marco de redes neuronales informado por la física y no supervisado por trayectoria. DINaMo representa las trayectorias moleculares como una función continua y diferenciable única del tiempo, $\mathbf{r}_\theta(t)$, condicionada a un estado inicial equilibrado.

Arquitectura Central y Representación

• Representación de Trayectoria Global: A diferencia de los pasos de tiempo autoregresivos, DINaMo predice toda la ventana de la trayectoria de corto tiempo $[0, T]$ como una sola función. Las velocidades y aceleraciones se obtienen mediante la diferenciación automática exacta de la función de posición, lo que garantiza la consistencia cinemática.
• Ansatz de Condición Inicial Estricta: Para imponer condiciones iniciales exactas ($\mathbf{r}_0, \mathbf{v}_0, \mathbf{a}_0$) sin términos de penalización, la trayectoria se construye como:
  $$\mathbf{r}_\theta(t) = \mathbf{r}_0 + t\mathbf{v}_0 + \frac{1}{2}t^2\mathbf{a}_0 + T^2 s^3 \mathbf{g}_\theta(s; \mathbf{r}_0, \mathbf{v}_0)$$
  donde $s = t/T$ es el tiempo normalizado y $\mathbf{g}_\theta$ es la salida de la red neuronal. La base polinómica captura el movimiento analítico conocido a corto plazo (expansión de Taylor), permitiendo que la red se concentre únicamente en la desviación no lineal.
• Función de Activación: La red utiliza activaciones de Raíz Inversa Cuadrada Suave (ISRU), elegidas por tener primera y segunda derivadas bien comportadas, lo cual es crítico para calcular aceleraciones y tasas de energía.

Objetivo de Entrenamiento Basado Únicamente en la Física

El objetivo de entrenamiento consiste enteramente en residuales físicos; no se utiliza ningún dato del simulador como objetivo. La pérdida es una jerarquía de términos:

1. Residual de Newton: El término primario minimiza la diferencia entre la aceleración predicha ($m\ddot{\mathbf{r}}$) y la fuerza analítica de Lennard-Jones ($\mathbf{F}(\mathbf{r})$).
2. Residuales de Conservación: La conservación del momento y la energía actúan como regularizadores de consistencia.
3. Restricción de Tasa de Energía de Lagrange Aumentada: En lugar de una penalización fija, un término de Lagrange aumentado ajusta dinámicamente el peso de la penalización para imponer una deriva de energía cero ($\frac{dE}{dt} = 0$), asegurando que la energía total permanezca acotada.
4. Ponderación Causal: Los residuales se ponderan según la "flecha del tiempo". Los errores grandes en los pasos de tiempo tempranos suprimen la presión de optimización en los pasos posteriores hasta que la trayectoria temprana es corregida, evitando que el optimizador ajuste los tiempos tardíos a un estado inicial incorrecto.
5. Minería de Residuales en Etapa Tardía: Para evitar que los errores localizados sean ocultados por promedios globales, el método aplica minería top-k a los residuales más grandes y enfatiza la cola de la ventana de tiempo en las etapas finales del entrenamiento.

Procedimiento de Entrenamiento

El resolutor se entrena en una rejilla de colocación fija alineada con el paso de tiempo de la MD. Para cada condición inicial, se optimiza una red separada. El método es "no supervisado por trayectoria" porque utiliza únicamente el estado inicial, la ley de fuerza analítica y las leyes de conservación; todos los estados NVE subsiguientes se retienen durante el entrenamiento y se utilizan solo para la evaluación.

3. Resultados Clave

El método fue evaluado en sistemas de argón de Lennard-Jones en el ensamble microcanónico (NVE) en tres configuraciones experimentales:

1. Caso Base ($N=50, \rho=0.15, T=0.12$):

   • El modelo logró una alta precisión con errores de posición $< 5 \times 10^{-5} \sigma$ y errores de velocidad $< 2 \times 10^{-3} \sigma/\tau_{LJ}$.
   • La deriva de energía total fue comparable a la del integrador de Verlet de velocidad de referencia.
   • La función de distribución radial ($g(r)$) se reprodujo con precisión, preservando las estadísticas estructurales sin ser un objetivo de entrenamiento.

2. Horizonte Extendido ($N=50, \rho=0.15, T=0.20$):

   • La coherencia física (conservación de energía y estadísticas estructurales) persistió durante la ventana más larga.
   • Sin embargo, la precisión de la trayectoria se degradó, particularmente en las velocidades (error máximo $\approx 1.57 \times 10^{-1} \sigma/\tau_{LJ}$).
   • El análisis reveló que los errores de energía cinética y potencial crecieron en antifase, cancelándose en la energía total. Esto indica que el modo de falla dominante es un desajuste de fase en el intercambio de energía más que una pérdida de conservación.

3. Escalamiento Denso ($N=500, \rho=0.50, T=0.12$):

   • Contrario a los resolutores de física informada asistidos por datos previos (por ejemplo, PND) que tienen dificultades con sistemas densos, DINaMo mantuvo una alta precisión.
   • El error máximo de posición fue de $1.18 \times 10^{-5} \sigma$, y el $g(r)$ de tipo líquido (con un pico de primer vecino $\approx 3.5$) se recuperó con precisión.
   • Esto demuestra la capacidad del método para manejar variaciones fuertes de fuerzas de muchos cuerpos y correlaciones de empaquetamiento local.

4. Significado y Reivindicaciones

El artículo sostiene que las trayectorias moleculares físicamente significativas pueden emerger directamente de una supervisión basada únicamente en la física, sin aprender de rollouts de simuladores precomputados.

• Viabilidad de Resolutores No Supervisados por Trayectoria: Los resultados apoyan la viabilidad de los resolutores neuronales que dependen únicamente de las leyes gobernantes (leyes de Newton, leyes de conservación y potenciales analíticos) en lugar de la regresión de datos.
• Optimización Global vs. Local: Al representar la trayectoria como una función diferenciable global, DINaMo evita la acumulación secuencial de errores de integración típicos de los integradores paso a paso, aunque esto traslada la dificultad a la optimización global.
• Fidelidad Estructural: La recuperación de la función de distribución radial ($g(r)$) y la conservación de la energía sin etiquetas explícitas sugiere que la red aprende la dinámica subyacente en lugar de simplemente igualar estadísticas de coordenadas.

Los autores mantienen la modestia sobre el alcance actual, señalando que el método está actualmente limitado a horizontes temporales cortos (hasta $T=0.20 \tau_{LJ}$) y es específico para cada instancia (se entrena un modelo separado para cada condición inicial). El trabajo no pretende haber superado la integración de MD explícita para simulaciones de producción de largo tiempo, sino establecer que la solución al problema de valor inicial molecular puede recuperarse a partir del estado inicial y la física por sí solas durante ventanas de tiempo iniciales no triviales. Se identifica como trabajo futuro la extensión del tiempo físico mediante la continuación de la ventana, la amortización del resolutor a través de los estados iniciales y la mejora de la precisión de las derivadas.