跳到主要内容
Sandbox Physics
自由能与稀有事件

L3 · 第 4 章

MBAR 怎样把不同窗口接成同一份分布

不同窗口的原始计数不能直接相加:每个窗口偏爱的构型不同,采样量也不同。MBAR 同时估计各窗口的归一化,再给每个已保存构型一个目标权重。它利用的是构型在所有窗口下的能量,不需要先把能量分箱。

一张构型照片要放回每个窗口里算能量

把完整构型写作 rn\mathbf r_n,所有窗口共保存 NN 个构型。窗口 kk 有 NkN_k 个样本,约化势能为 uk=β(U+wk)u_k=\beta(U+w_k),无量纲自由能为 fk=−ln⁡Zkf_k=-\ln Z_k。已知每个构型后,可以计算它假如处在任一窗口会有多少能量。

混合样本的密度与 ∑kNkefk−uk(r)\sum_k N_k e^{f_k-u_k(\mathbf r)} 成正比。某个构型如果在很多窗口里都很容易采到,就需要较小的目标权重;只有少数窗口能贡献它时,权重通常较大。分母中的 NkN_k 正是采样量不等时所需的修正。

来源:Michael R. Shirts and John D. Chodera · Giovanni Bussi

用自洽条件求窗口间的高度

若所有 fkf_k 已知,对目标窗口 ii 的权重求和就能估计它的配分函数。再要求这个估计恰好等于正在使用的配分函数,就得到自洽方程。把更新后的自由能放回分母,反复迭代到变化足够小。每轮减去第一个自由能,把整体零点固定。

同温且偏置已知时,这套方程也可写成 PLUMED 教程所用的 binless WHAM 形式。数值上要在对数域计算指数和,避免非常高的势垒造成下溢。迭代收敛只说明这份数据的方程求解成功;一组受困的轨迹也能给出稳定解。

f^i=−ln⁡∑n=1Ne−ui(rn)∑k=1KNkef^k−uk(rn)\hat f_i=-\ln\sum_{n=1}^{N}\frac{e^{-u_i(\mathbf r_n)}}{\sum_{k=1}^{K}N_k e^{\hat f_k-u_k(\mathbf r_n)}}
这是 Shirts 与 Chodera 的式 (11)。所有自由能可同时加一个常数;窗口间的差才有意义。

来源:Michael R. Shirts and John D. Chodera · Giovanni Bussi

把求出的常数变成目标权重

目标是无偏模型,其约化势能为 u0=βUu_0=\beta U。目标状态可以没有直接采样轨迹。先为每个保存构型计算未归一化权重 vnv_n,再除以权重总和。目标平均就是这些权重乘观测量之和。

若各窗口温度相同、只相差已知偏置,共同的 e−βUe^{-\beta U} 在分子与分母里抵消。重加权可以只用偏置能量;隐藏方向仍必须在轨迹中充分采样。代数上的抵消没有替我们探索构型空间。

vn=e−u0(rn)∑kNkef^k−uk(rn),Wn=vn∑mvm,⟨A⟩^0=∑nWnA(rn)v_n=\frac{e^{-u_0(\mathbf r_n)}}{\sum_k N_k e^{\hat f_k-u_k(\mathbf r_n)}},\qquad W_n=\frac{v_n}{\sum_m v_m},\qquad \widehat{\langle A\rangle}_0=\sum_n W_n A(\mathbf r_n)
这是无采样目标状态的归一化权重。画自由能时,还要用这些权重估计指定坐标的概率密度。

十六个构型的完整例题

目标模型只有左、右两种等能构型。窗口甲把右边加上 ln⁡3\ln 3 的约化能量,窗口乙反过来。甲保存十二次,出现九左三右;乙保存四次,出现一左三右。两窗口配分函数相同,可取 f^1=f^2=0\hat f_1=\hat f_2=0。

左构型的混合分母为 12+4/3=40/312+4/3=40/3,右构型为 12/3+4=812/3+4=8。无偏未归一化权重分别为 3/403/40 与 1/81/8。十个左构型加起来是四分之三,六个右构型也是四分之三;归一化后左右各一半。原始十六个计数却给左边 10/16=0.62510/16=0.625。

这个例子中计数恰好等于各窗口的期望比例,便于手算。随机样本一般不会恰好恢复一半;那部分误差需要用独立重复和下一章的方法衡量。

原创双构型例题;能量以热能为单位。
构型窗口甲计数窗口乙计数每个构型的目标权重
左911/201/20
右331/121/12

直方图仍然有自己的误差

MBAR 不对输入能量分箱;若最终要画 F(s)F(s),仍须从目标权重估计密度。宽为 Δsj\Delta s_j 的箱内权重总和为 PjP_j,密度近似是 Pj/ΔsjP_j/\Delta s_j。箱太宽会抹平势垒,太窄会留下很多零计数。零计数不能靠随意加一个小数就变成观测。

还要检查窗口重叠。没有实际桥梁的两段,可能在浮点运算里保留极微小的联系;那不等于数据支持它们的相对高度。实验台会保留无支持的区域,并显示可用覆盖范围。

F^j=−kBTln⁡ ⁣(∑n: sn∈BjWnΔsj)+C\hat F_j=-k_{\mathrm B}T\ln\!\left(\frac{\sum_{n:\,s_n\in B_j}W_n}{\Delta s_j}\right)+C
密度需要除箱宽。不等宽分箱须按各自箱宽换成密度。

来源:Michael R. Shirts and John D. Chodera · Giovanni Bussi

把推理带进实验

用同一份记录比较三个答案

  1. 保持种子和窗口不变,比较合并直方图、MBAR 结果与二维积分参考。指出哪些区别来自偏置。
  2. 导出轨迹及每个样本的目标权重。选一段坐标范围,检查权重之和能否复算对应的概率。
  3. 改变窗口重叠后重新采样。说明求解器收敛、有效样本数和参考误差分别回答了什么问题。

练习与解释性答案

  1. 给所有窗口的估计自由能同时加七,会改变归一化目标权重吗?

    展开解释

    不会。所有混合分母都多同一个指数因子,未归一化权重一起缩放;除以权重总和后抵消。这是自由能整体零点任意的表现。

  2. 例题中把窗口乙也采十二次,且计数仍等于期望比例。合并计数和重加权各会得到什么?

    展开解释

    甲有九左三右,乙有三左九右,合并后恰好各十二。两种方法都给一半。这个对称特例不能证明直接合并一般正确;原例题只改变采样量就破坏了这一巧合。

来源与复算范围

例题与示意图是原创教学材料。数值切片在自建二维模型上复算指定估计方程,并与独立积分、PyMBAR 比较。最后一章阅读 MBAR 论文图 1,同时列明本次计算没有包含的实验材料。

模型定义、脚本与数值记录

  1. Giovanni Bussi, PLUMED Masterclass 21.3, Umbrella sampling (2021; documentation v2.9)

    核读静态约束、多窗口 binless WHAM、另一坐标的重加权与误差练习。本课程未使用原教程的丙氨酸二肽轨迹。

  2. Michael R. Shirts and John D. Chodera, Statistically optimal analysis of samples from multiple equilibrium states, J. Chem. Phys. 129, 124105 (2008)

    冻结 arXiv v3。核读第二至四节、式 (9)、(11)–(14)、第五节图 1 与附录 A–C。复算范围是自建模型上的平衡估计方程;图 1 用于读图教学,未复现 DNA 发夹轨迹或图中数值。

反馈这个页面有错误、看不明白,或者缺了什么?告诉我们
反馈类型

提交时会附带本页地址、Lab ID、网站语言和设备类型。请不要填写个人信息。反馈最多保存 12 个月。隐私政策