SML_CV:使用监督式机器学习来构建用于加速采样的集体变量

有监督的机器学习+增强采样 使用监督式机器学习建立起始集体变量以加速采样 该项目旨在回答以下问题：给定状态A和状态B下的抽样，如何通过增强的抽样框架来选择能够在它们之间进行转换的一些集体变量。 我们认为，来自任何可区分的有监督机器学习算法的决策函数都代表了良好的起始简历。 此repo包含必要的详细信息，以便从我们的手稿中复制结果，该结果表明： Sultan等人：监督机器学习算法的决策功能作为加速分子模拟的集体变量，arXiv预印本 使用以下图片可以概括总体思路： 给定开始状态和结束状态中的一些采样，SML算法（例如支持向量机）可以找到一个最大平面，该平面最大程度地划分了这些状态。 然后，到该平面的距离可以用作分子动力学和增强采样计算中的集合变量。 我们可以通过各种不同的方式来计算该决策函数，该决策函数基本上可以测量该距离。 例如，在逻辑回归方法中，这是通过线性权重的S形完成的。