摘要：

大都会蒙特卡洛（MMC）模拟是计算化学中探索多体系统构型空间的基础方法。尽管该方法用途广泛，但传统MMC的一个主要局限在于采样速率较慢，特别是在高维或复杂系统中，这导致采样效率低下且计算成本高昂。本研究探讨了机器学习（ML） 能否通过提高所提议构型的接受率来提升MMC的效率。

为探讨这一问题，我对一个简单的两粒子伦纳德-琼斯系统进行了两次独立的MMC模拟。基准方法采用传统的随机游走提案算法，其中提案配置是通过将先前被接受的配置稍作扰动来生成的。相比之下，基于机器学习的方法利用了归一化流——一种生成式机器学习模型，该模型是在基于初始MMC运行所获得的配置上训练而成的。随后，该模型通过从其学习到的分布中采样来提出互不相关的配置，旨在提高采样效率。

与预期相反，基于机器学习的提案的接受率反而低于传统方法。初步分析表明，这可能是由于机器学习模型所学习的分布与真实的玻尔兹曼分布之间重叠不足，导致一些提案尽管在机器学习模型下“可能性较高”，却仍未被接受。

这些结果表明，尽管机器学习（ML） 在增强蒙特卡洛方法方面前景可期，但简单地用基于机器学习的模型取代提案机制可能无法立即带来效益。未来的研究将探索改进的训练策略，例如纳入势能计算，以更好地使学习到的分布与靶点 分布保持一致。本研究深入探讨了将机器学习整合到经典模拟 工作流程中所面临的挑战，并强调了需要进行仔细的模型验证以确保其物理相关性。

演讲者：

伊诺克·沃尔杜，芝加哥大学

伊诺克·沃尔杜是芝加哥大学数学与物理专业的大三学生。他目前在芝加哥大学的一个计算研究实验室工作，过去一年里，他一直利用机器学习（ML） 更有效地研究各种系统的玻尔兹曼分布。