Girsanov Reweighting for Uncertainty Propagation in Rare-Event Kinetics

技术摘要：用于稀有事件动力学中不确定性传播的 Girsanov 重加权法

问题陈述
机器学习原子间势（MLIP）已成为分子动力学（MD）中采样稀有事件的强大工具，能够以极低的计算成本提供接近从头算（ab initio）的精度。然而，这些模型相关的确定性仍然是一个重大挑战。现有的不确定性量化（UQ）方法主要侧重于点值量（能量和力）或平衡态热力学可观测量。它们未能解决参数不确定性向动力学可观测量（如平均提交概率 $\langle p_{A\to B} \rangle_{\lambda_{\partial A}}$ 以及由此产生的反应速率 $k_{AB}$）的传播问题。通过标准的蒙特卡洛方法直接传播这些不确定性——即为每个实现采样新的参数集并重新运行昂贵的稀有事件模拟——在计算上是极其昂贵的。

方法论
作者提出了一种框架，将稀有事件采样方法（特别是自适应多层分裂法，AMS）与 Girsanov 重加权相结合，旨在无需重新采样轨迹的情况下，将 MLIP 参数不确定性传播到动力学可观测量。

1. 理论框架： 动力学过程使用欠阻尼朗之万方程进行建模。稀有事件概率 $p$ 被定义为在反应物状态 $A$ 的边界 $\lambda_{\partial A}$ 上对提交概率进行的平均。
2. 不确定性量化 (UQ)： 研究利用逐点最优参数集（POPS）框架来生成 MLIP 参数 $\theta$ 的后验分布 $\pi(d\theta)$。选择该方法是为了解释模型误设误差，由于从头算训练数据具有近乎确定性的特征，标准的贝叶斯回归往往无法捕捉此类误差。
3. Girsanov 重加权： 该方法的核心依赖于 Girsanov 定理，用于计算参考势能 $V(x, \theta_L)$ 与扰动势能 $V(x, \theta)$ 之间的路径空间概率测度似然比。
   • 全量估计量 ($\hat{p}_G$)： 通过使用似然比 $M(X, \theta_L, \theta)$ 对在 $\theta_L$ 下采样的反应轨迹系综进行重加权，得到一个精确估计量。该比值取决于力的差异以及初始状态分布。
   • 累积量估计量 ($\hat{p}_C$)： 为了解决计算 Fisher 信息矩阵（FIM）的高昂成本（对于像 MACE 这样的深度学习模型尤为如此），作者推导出了一个一阶累积量展开式。该近似依赖于“得分”（score）向量 $s(X)$ 的经验均值，在保持数值稳定性的同时显著降低了计算开销。
4. 反应速率扩展： 该框架通过 Hill 关系（$k_{AB} = \phi_A \langle p_{A\to B} \rangle_{\lambda_{\partial A}}$）将方法扩展到反应速率 $k_{AB}$。作者认为，在假设 ML-IP 在亚稳态盆地内高度准确（即出口频率 $\phi_A$ 被采样时）的前提下，关于 $k_{AB}$ 的不确定性主要由提交概率 $p$ 的不确定性主导。

核心贡献

• 路径空间重加权用于动力学： 本文首次应用了 Girsanov 重加权，将参数不确定性专门传播到动力学可观测量（提交概率）中，填补了此前仅限于热力学量的空白。
• 高效估计量： 一阶累积量估计量 ($\hat{p}_C$) 的推导使得在处理高维参数空间时，能够进行解析性的不确定性传播，而无需计算完整的路径空间雅可比矩阵或重新运行模拟。
• 复杂系统验证： 该方法在三个不同的系统中得到了验证：WCA 溶剂中的二聚体、崎岖的 Müller-Brown 势能面，以及使用 MACE 基础模型的丁烷构象转变。

结果

• 敏感性分析： 在二聚体和 Müller-Brown 系统上，全量 Girsanov 估计量和累积量估计量均准确捕捉到了稀有事件概率对参数变化的敏感性，其中累积量估计量即使在显著的参数偏差下也表现出极佳的覆盖率。
• 丁烷构象动力学： 在使用 MACE 模型研究丁烷的应用中，该框架成功区分了算法噪声（认识论不确定性）与模型误设不确定性。
  • 对于更准确的 MACE-OMAT-0 模型，具备不确定性感知能力的分布保持在最大似然估计（MLE）附近，且良好地覆盖了参考值。
  • 对于较不准确的 MACE-MP-0a 模型，该框架正确识别了显著的模型偏差，导致其不确定性分布变宽，但仍涵盖了参考“真值”（MACE-MPA-0）。
• 计算效率： 重加权方法展示了约 4000 倍 的加速，相比于为每个参数实现重新运行完整 AMS 模拟的暴力方法。重加权步骤本身仅为初始 AMS 运行增加了微小的计算成本（约 30 分钟）。
• 稳定性： 用于重加权的对数权重保持在零附近（通常在 $(-2, 2)$ 之间），证实了 Girsanov 重加权中常见的方差膨胀问题由于反应轨迹的持续时间较短且势能差异受限而得到了缓解。

意义与主张
本文声称，路径空间重加权为将 MLIP 不确定性传播到稀有事件动力学提供了一条高效且严谨的途径。通过利用分裂估计器的无偏性和 Girsanov 定理的数学严谨性，该框架能够在无需昂贵重采样的情况下，构建反应速率的不确定性感知概率分布。

作者谦虚地指出，向反应速率的扩展依赖于 MLIP 在亚稳态盆地内高度准确的假设，这一假设得到了主动学习文献的支持，但在涉及划分面可能位于这些区域之外的复杂反应时，仍需进一步研究。他们总结道，这种方法有效地隔离了算法方差与模型误设不确定性，从而为源自不确定代理模型的动力学可观测量提供了紧凑且可靠的置信区间。