强大的自动切割点选择用于分子模拟
Finlay Clark1, Daniel J Cole2, Julien Michel1
1EaStCHEM School of Chemistry, University of Edinburgh, David Brewster Road, Edinburgh EH9 3FJ, U.K.
Journal of chemical theory and computation
|December 23, 2024
概括
丢弃最初的分子模拟数据可以减少偏差. 均衡自相关性的新方法提供了可靠的截断点选择,比如Chodera的方法这样的现有方法提高了准确性.
科学领域:
- 计算化学是一种计算化学.
- 统计力学就是统计力学.
- 分子动力学模拟的模拟.
背景情况:
- 分子模拟经常遭受初始偏差由于非代表性的起始配置.
- 丢弃初始数据是一种常见的做法,以减轻这种偏差.
- 乔德拉的方法是一种流行的自动化方法来选择截断点,但需要进一步评估.
研究的目的:
- 为了重新制定怀特的边际标准误差规则用于切断点的选择.
- 开发和评估一系列能够解释自相关性的启发式计算.
- 使用合成时间序列数据,将这些新方法与Chodera的方法进行比较.
主要方法:
- 怀特边际标准误差规则的重新表述.
- 开发了切断点选择启发式分析,使用不同的自相对应处理.
- 在模仿自由能量计算的合成时间序列数据上进行测试.
- 在开源Python包RED.中实现.
主要成果:
- 经过彻底考虑自身相关性的方法显示晚期,可变的截断.
- 考虑自相关性较少的方法导致早期截断,增加偏差.
- 一种推的方法平衡了这些极端,以获得强大的性能.
- 没有任何一种测试方法可靠地检测出采样不足.
结论:
- 一种新的截断点选择启发式学习谱,比现有方法提供了更好的性能.
- 均衡自相关治疗是强大的分子模拟数据分析的关键.
- 对于可靠地检测样本不足的方法,需要进一步开发.
