Girsanov Reweighting for Uncertainty Propagation in Rare-Event Kinetics

技術要約：希少イベントの動力学における不確実性伝播のためのギルサノフ・リウェイト法

問題提起
機械学習原子間ポテンシャル（MLIP）は、第一原理計算に近い精度を極めて低い計算コストで実現することで、分子動力学（MD）における希少イベントのサンプリングを強力に支援するツールとして台頭している。しかし、これらのモデルに伴う不確実性は依然として大きな課題である。既存の不確かさ定量化（UQ）手法は、主に点ごとの量（エネルギーや力）や平衡熱力学的観測量に焦点を当てている。これらは、平均コミッター確率 $\langle p_{A\to B} \rangle_{\lambda_{\partial A}}$ や、それに伴う反応速度 $k_{AB}$ といった、キネティックな観測量へのパラメータ不確実性の伝播には対処できていない。標準的なモンテカルロ法を用いて、新しいパラメータセットをサンプリングし、各実現値に対して高コストな希少イベント・シミュレーションを再実行するという直接的な不確実性伝播は、計算コストの面から極めて困難である。

手法
著者らは、希少イベント・サンプリング手法（具体的には適応型マルチレベル・スプリッティング法：AMS）と**ギルサノフ・リウェイト法（Girsanov reweighting）**を組み合わせ、軌跡を再サンプリングすることなく、MLIPのパラメータ不確実性をキネティックな観測量へと伝播させるフレームワークを提案している。

1. 理論的枠組み: 動力学はアンダーダンプド・ランジュバン方程式を用いてモデル化される。希少イベントの確率 $p$ は、境界 $\partial A$ 上の脱出分布 $\lambda_{\partial A}$ 上で平均化されたコミッター確率として定義される。
2. 不確かさ定量化 (UQ): 本研究では、MLIPパラメータ $\theta$ に関する事後分布 $\pi(d\theta)$ を生成するために、点別最適パラメータセット（POPS）フレームワークを利用している。このアプローチは、決定論的な性質が強い第一原理データを用いる標準的なベイズ回帰では捉えきれない、モデルの誤設定誤差（misspecification error）を考慮するために選択された。
3. ギルサノフ・リウェイト法: 本手法の核心は、参照ポテンシャル $V(x, \theta_L)$ と摂動ポテンシャル $V(x, \theta)$ の間のパス空間上の確率測度の尤度比を、ギルサノフの定理を用いて計算することにある。
   • フル・エスティメータ ($\hat{p}_G$): 尤度比 $M(X, \theta_L, \theta)$ を用いて、$\theta_L$ でサンプリングされた反応的軌跡のアンサンブルをリウェイトすることで得られる厳密なエスティメータである。この比は、力の差と初期状態分布に依存する。
   • 累積量エスティメータ ($\hat{p}_C$): フル・エスティメータの計算に必要なフィッシャー情報行列（FIM）の計算コスト（特にMACEのようなディープラーニングモデルにおいて）に対処するため、著者らは一次累積量展開を導出した。この近似は、「スコア」ベクトル $s(X)$ の経験平均に依拠しており、数値的安定性を維持しながら計算オーバーヘッドを大幅に削減している。
4. 反応速度への拡張: 本フレームワークは、ヒル（Hill）の関係式（$k_{AB} = \phi_A \langle p_{A\to B} \rangle_{\lambda_{\partial A}}$）を通じて反応速度 $k_{AB}$ へと拡張される。著者らは、MLIPがメタステーブル（準安定）領域内において非常に高精度である（脱出頻度 $\phi_A$ がサンプリングされる領域）という仮定の下で、反応速度 $k_{AB}$ の不確実性はコミッター確率 $p$ の不確実性によって支配されると主張している。

主な貢献

• キネティクスのためのパス空間・リウェイト法: 希少イベントのキネティクス（コミッター確率）へパラメータ不確実性を伝播させるために、ギルサノフ・リウェイト法を初めて適用し、熱力学的量に限定されていた従来のギャップを埋めた。
• 効率的なエスティメータ: 一次累積量エスティメータ ($\hat{p}_C$) の導出により、高次元のパラメータ空間において、フル・パス空間・ヤコビアンの計算やシミュレーションの再実行という膨大なコストをかけることなく、解析的に不確実性を伝播させることが可能となった。
• 複雑な系による検証: 本手法は、WCA溶媒中のダイマー、険しい（rugged）ミュラー・ブラウン（Müller-Brown）ポテンシャル、およびMACE基盤モデルを用いたブタンのコンフォメーション転移という、3つの異なる系を用いて検証されている。

結果

• 感度分析: ダイマーおよびミュラー・ブラウン系において、フル・ギルサノフ・エスティメータと累積量エスティメータの両方が、パラメータ変動に対する希少イベント確率の感度を正確に捉えた。累積量エスティメータは、大幅なパラメータ偏差に対しても優れたカバレッジを示した。
• ブタンのコンフォメーション動力学: MACEモデルを用いたブタンへの適用において、本フレームワークはアルゴリズム的（認識論的）ノイズとモデルの誤設定による不確実性を明確に区別することに成功した。
  • より高精度なMACE-OMAT-0モデルでは、不確実性を考慮した分布は最大尤度推定値（MLE）付近に集中し、参照値が適切にカバーされていた。
  • 精度の低いMACE-MP-0aモデルでは、本フレームワークは顕著なモデルバイアスを正しく特定し、参照となる「真理値」（MACE-MPA-0）を包含する広い不確実性分布を示した。
• 計算効率: リウェイト法は、各パラメータ実現値に対してフルAMSシミュレーションを再実行するというブルートフォース法と比較して、約4000倍の高速化を実現した。リウェイト工程自体は、初期のAMS実行に対してわずかな計算コスト（約30分）しか追加しなかった。
• 安定性: リウェイトに使用された対数重み（log-weights）は通常 $(-2, 2)$ の範囲内に集中しており、ギルサノフ・リウェイトに伴う典型的な分散増大が、反応的軌跡の短期間性とポテンシャルの差の有界性によって抑制されていることが確認された。

意義と主張
本論文は、パス空間のリウェイト法が、MLIPの不確実性を希少イベントのキネティクスへと伝播させるための、効率的かつ厳密な経路を提供することを主張している。スプリッティング・エスティメータの偏りのなさ（unbiased nature）とギルサノフの定理の数学的厳密さを活用することで、本フレームワークは、高コストな再サンプリングを必要とせずに、反応速度の不確実性を考慮した確率分布を構築することを可能にする。

著者らは、反応速度への拡張はMLIPがメタステーブル領域内で高精度であるという仮定に基づいていることを控えめに述べているが、この仮定はアクティブラーニングの文献によって支持されているものの、分割面（dividing surface）がこれらの領域の外側に位置する可能性のある複雑な反応についてはさらなる調査が必要である。結論として、このアプローチはアルゴリズム的な分散とモデルの誤設定による不確実性を効果的に分離し、不確実なサロゲートモデルから得られるキネティックな観測量に対して、タイトで信頼できる信頼区間を提供できるとしている。