Introduction ร la simulation molรฉculaire
La simulation molรฉculaire a รฉtรฉ utilisรฉe et dรฉveloppรฉe au cours des 50 derniรจres annรฉes et son nombre dโutilisateurs est en expansion en dรฉpit de ses contraintes intrinsรจques ร lโรฉchelle spatiale et temporelle. La simulation molรฉculaire a deux objectifs majeurs:
Premiรจrement, elle peut รชtre utilisรฉe comme un microscope numรฉrique pour faire des simulations ร lโรฉchelle microscopique: de nombreuses thรฉories physiques ont รฉtรฉ testรฉes sur des ordinateurs. Historiquement, il nโy avait aucune bonne thรฉorie analytique pour certains systรจmes physiques (par exemple la physique de liquides simples), et lโobservation des trajectoires simulรฉes informatiquement a รฉtรฉ trรจs utile pour guider lโintuition des physiciens sur ce qui se passe dans le systรจme (par exemple les mรฉcanismes conduisant ร la diffusion molรฉculaire). En particulier, les travaux pionniers sur les mรฉthodes de Monte-Carlo [Metropolis et al., 1953], et la premiรจre simulation de dynamique molรฉculaire [Alder and Wainwright, 1956] ont รฉtรฉ rรฉalisรฉes avec ces motivations. Aujourdโhui, la comprรฉhension du comportement de la matiรจre ร lโรฉchelle microscopique peut encore รชtre difficile du point de vue expรฉrimental parce que nous ne savons tout simplement ce quโil faut chercher! Des simulations numรฉriques sont alors un bon outil pour tester certaines idรฉes ou obtenir certaines donnรฉes que lโon peut ensuite traiter et analyser afin dโaider ร concevoir les montages expรฉrimentaux.
Le deuxiรจme objectif majeur de la simulation molรฉculaire, peut-รชtre encore plus important que le prรฉcรฉdent, est de calculer les quantitรฉs macroscopiques ou les propriรฉtรฉs thermodynamiques, par le biais de moyennes de certains fonctionnelles du systรจmeย . Dans ce cas, la simulation molรฉculaire est un moyen dโobtenir des informations quantitatives sur un systรจme. Parfois, ces propriรฉtรฉs sont accessibles ร travers des expรฉriences, mais dans certains cas les calculs numรฉriques sont indispensables parce que les expรฉriences peuvent รชtre infaisables ou trop coรปteuses. Plus gรฉnรฉralement, la simulation molรฉculaire est un outil pour explorer les liens entre les propriรฉtรฉs microscopiques et macroscopiques dโun matรฉriau, permettant de rรฉpondre ร des questions de modรฉlisation telles que ยซย Quels ingrรฉdients microscopiques sont nรฉcessaires pour observer un comportement macroscopique donnรฉ ?ย ยป
Dรฉcrire une transition
Dans cette section, on dรฉcrit ce quโon entend par une transition entre deux รฉtats. Une transition doit รชtre comprise ici comme soit
1. Transitions alchimiques: La collection de toutes les configurations possibles microscopiques rรฉpartis selon la mesure canonique associรฉ ร un hamiltonien en fonction de certains paramรจtres ฮป. Le paramรจtre ฮป est alors lโindice de lโรฉtat. Par exemple, lโimmersion dโune molรฉcule dans un solvant, serait caractรฉrisรฉe par les les Hamiltoniens H0 (pour la molรฉcule dans le vide) et H1 (intรฉgrant les interactions solutรฉ-solvant); ou
2. Transitions indexรฉes par une coordonnรฉe de rรฉaction (ou paramรจtre dโordre): Dans ce cas, toutes les configurations microscopiques sont distribuรฉs selon la mesure canonique ฯc, et satisfont une contrainte macroscopique ฮพ(q) = z, oรน ฮพ โถ Dโ Rm, avec m petite comparativement ร 3N. Dans ce cas, z est lโindice de lโรฉtat.
Dans ce qui suit, on dรฉfinit prรฉcisรฉment ces deux approches et on discute comment les diffรฉrences dโรฉnergie libre sont calculรฉes.
Transformations alchimiquesย
Comme mentionnรฉ prรฉcรฉdemment, la transformation alchimique concerne des transitions indexรฉes par un paramรจtre ฮป externe. Ce paramรจtre est indรฉpendant des configurations microscopiques (q, p). Le paramรจtre ฮป peut par exemple modifier les constantes utilisรฉes dans les champs de force empiriques telles que lโรฉnergie ฮต ou la longueur ฯ dans le potentiel du Lennard-Jones (1.21), (voir [Chipot and Pohorille, 2007] pour plus dโexemples). Le nom ยซย alchimiqueย ยป fait rรฉfรฉrence au fait que la nature chimique des particules peut รชtre modifiรฉe dans la simulation en modifiant les paramรจtres du potentiel dรฉcrivant les interactions molรฉculaires.
Choisir une bonne coordonnรฉe de rรฉactionย
Le choix dโune ยซbonneยป coordonnรฉe de rรฉaction est un sujet trรจs discutรฉ dans la littรฉrature. Un but de lโanalyse mathรฉmatique menรฉ ici ou dans des travaux prรฉcรฉdents (voir par exemple [leliรจvre et al., 2008]) est de quantifier lโefficacitรฉ des algorithmes numรฉriques en fonction de la coordonnรฉe de rรฉaction choisie. A minima, une coordonnรฉe de rรฉaction ฮพ โถ Rn #โ Rm est une fonction lisse telle que:
1. m โช 3N;
2. Les รฉtats initiaux et finaux de la transition peuvent รชtre dรฉcrits en termes deฮพ;
3. det(G) โ 0, pour que la fonction de partition Zz soit bien dรฉfinie et plus prรฉcisรฉment de sorte que lโensemble des sous-variรฉtรฉs ฮฃz rรฉalise un feuilletage de lโespace des phases entre les รฉtats initiaux et finaux de la transition.
Rappelons quโen raison de la mรฉtastabilitรฉ, les moyennes trajectorielles (1.5) convergent trรจs lentement vers leur limite ergodique. De nombreuses mรฉthodes ont รฉtรฉ proposรฉes pour surmonter cette difficultรฉ, et on se concentre dans cette thรจse sur la mรฉthode adaptative de force biaisante (notรฉe ABF) (voir [Darve and Pohorille, 2001; Hรฉnin and Chipot, 2004]). Pour introduire la mรฉthode ABF (voir la Section 1.4.2 pour plus de dรฉtails), un ingrรฉdient majeur est la coordonnรฉe de rรฉaction, ฮพ = (ฮพ1, …, ฮพm) โถ Rn #โ Rm, ฮพ(q) = z. La fonction ฮพ peut รชtre comprise comme une fonction telle que ฮพ(Xt) est une variable lente par rapport ร Xt . On peut dire que ฮพ dรฉcrit les รฉtats mรฉtastables de la dynamique associรฉe au potentiel V . Quand lโรฉchantillonnage de la mesure canonique e โฮฒV (1.11) est difficile, ฮพ est un bon choix si la mesure eโฮฒ(V โAโฮพ) est plus facile ร รฉchantillonner que (1.11).
ABP vs ABF
Il est important de rรฉaliser que les deux dynamiques (1.77) et (1.78) sont diffรฉrentes. En particulier, il nโy a aucun raison que Ft soit un gradient en (1.78). Comparons maintenant les deux mรฉthodes: la dynamique adaptative ABP et ABF.
1. La principale difficultรฉ pour la dynamique ABP (1.64) est quโaucun รฉtat stationnaire ne peut รชtre atteint ยซspontanรฉmentยป: Le potentiel biaisant At รฉvolue en permanence quand de nouveaux รฉchantillons sont ajoutรฉs dans les rรฉgions visitรฉes. Ceci est liรฉ au fait que la quantitรฉ calculรฉe (At) est dรฉfinie ร une constante additive prรจs. Ces mรฉthodes nรฉcessitent donc un paramรจtre de rรฉglage de la pรฉnalisation, qui va artificiellement ร zรฉro quand le temps รฉvolue, pour que dAt/dt converge vers zรฉro dans la limite t โ +โ (cf. le paramรจtre ฮณ dans (1.65)). Une telle difficultรฉ ne se trouve pas dans la mรฉthode ABF pour laquelle les espรฉrances conditionnelles peuvent en effet atteindre un รฉtat stationnaire;
2. Un autre argument en faveur des mรฉthodes ABF est quโil vaut mieux numรฉriquement estimer un gradient et ensuite lโintรฉgrer, plutรดt quโestimer une fonction, puis la diffรฉrencier. Pour les mรฉthodes ABP, le biais At est estimรฉ, et son gradient, qui est nettement plus brutรฉ, est ensuite utilisรฉ pour biaiser la dynamique;
3. Un intรฉrรชt de la dynamique ABP est quโelle peut facilement sโappliquer ร une coordonnรฉe de rรฉaction discrรจte, tandis que la dynamique ABF nรฉcessite une coordonnรฉe de rรฉaction continue pour que la force moyenne soit dรฉfinie.
|
Table des matiรจres
1 Introduction
1.1 Introduction ร la simulation molรฉculaire
1.1.1 Calcul de moyennes
1.1.1.1 Mรฉthode de Monte Carlo standard
1.1.1.2 Dynamique molรฉculaire
1.1.2 Ensembles thermodynamiques
1.1.2.1 Ensemble microcanonique
1.1.2.2 Ensemble canonique
1.1.2.3 Ensemble isotherme-isobare
1.1.2.4 Ensemble grand-canonique
1.1.3 Energie potentielle
1.1.3.1 Potentiel dโinteraction Ab initio
1.1.3.2 Potentiel empirique
1.2 Mรฉthodes dโรฉchantillonnage
1.2.1 Algorithme de Metropolis-Hastings
1.2.2 Algorithme Hybrid Monte-Carlo (HMC)
1.2.3 Dynamique molรฉculaire
1.2.3.1 Dynamique Hamiltonienne
1.2.3.2 Dynamique de Langevin
1.2.3.3 Dynamique de Langevin amortie
1.2.3.4 Mรฉtastabilitรฉ
1.3 Energie libre
1.3.1 Dรฉfinition de lโรฉnergie libre
1.3.2 Dรฉcrire une transition
1.4 Les mรฉthodes adaptatives
1.4.1 Mรฉthode adaptative du potentiel biaisant (ABP)
1.4.2 Mรฉthode adaptative de force biaisante (ABF)
1.4.2.1 Formule de la co-aire et force moyenne
1.4.2.2 La mรฉthode ABF
1.4.3 ABP vs ABF
1.4.4 Barriรจres dโรฉnergie libre
1.5 Convergence des dynamiques non-adaptatives et adaptatives
1.5.1 Entropie et Inรฉgalitรฉ de Sobolev Logarithmique
1.5.2 Convergence de la dynamique de Langevin suramortie
1.5.3 Convergence de la dynamique ABF
1.5.4 Exemple numรฉrique
1.6 Contributions de cette thรจse
1.6.1 Mรฉthode adaptative de force biaisante projetรฉe (PABF)
1.6.2 Solution locale et globale pour une รฉquation de Fokker-Planck
nonlocal liรฉe aux mรฉthodes adaptives de force biaisante
1.6.3 Organisation du manuscrit
2 Long-time convergence of an adaptive biasing force method: Variance reduction by Helmholtz projection
2.1 Introduction
2.1.1 The model
2.1.2 Metastability, reaction coordinate and free energy
2.1.3 Adaptive biasing force method (ABF)
2.1.4 Projected adaptive biasing force method (PABF)
2.2 Numerical experiments
2.2.1 Presentation of the model
2.2.1.1 Potential functions
2.2.1.2 Reaction coordinate and physical parameters
2.2.1.3 Numerical methods and numerical parameters
2.2.2 Comparison of the methods
2.2.2.1 Metastability
2.2.2.2 Variance reduction
2.2.2.3 Free energy error
2.2.2.4 Distribution
2.3 Longtime convergence of the projected ABF method
2.3.1 Helmholtz projection
2.3.1.1 Helmholtz decomposition
2.3.1.2 Minimization problem and projection onto a gradient
2.3.2 The projected ABF dynamics
2.3.3 Precise statements of the longtime convergence results
2.3.3.1 Entropy and Fisher information
2.3.3.2 Convergence of the PABF dynamics
2.4 Proofs
2.4.1 Proof of Proposition 2.10
2.4.2 Proof of Corollary 2.13
2.4.3 Proof of Corollary 2.14
2.4.4 Proof of Theorem 2.15
3 Local and global solution for a nonlocal Fokker-Planck
3.1 Introduction
3.2 Notations and preliminaries
3.3 Local existence
3.3.1 Existence of mild solution
3.3.2 Regularity of the solution
3.3.3 Proof of Theorem 3.2
3.4 Diffusion equation and weak maximum principle
3.5 A-priori estimates for solutions and global existence
3.5.1 Polynomial and universal a-priori bounds
3.5.2 Global existence: Proof of Theorem 3.6
4 General Conclusion
Tรฉlรฉcharger le rapport complet