《Journal of Chemical Theory and Computation》：Bayesian Optimization for High-Dimensional Coarse-Grained Model Parameterization: A Case Study on Pebax Polymer
编辑推荐：
本文创新性地将贝叶斯优化（BO）与树结构Parzen估计器（TPE）相结合，成功解决了41参数Pebax-1657共聚物粗粒化（CG）模型的高维优化难题。研究突破了传统混合策略（hybrid strategy）参数分步优化的局限，通过同步优化密度（ρ）、回转半径（Rg）和玻璃化转变温度（Tg）三个关键物理性质，使CG模型在600次迭代内收敛，显著提升了模型精度与开发效率。
粗粒化模型在材料模拟中的应用与优化挑战
粗粒化（CG）力场模型因其出色的可扩展性在材料模拟中被广泛应用。传统上，这些模型通过混合策略（hybrid strategy）进行参数化，依次结合自上而下（top-down）和自下而上（bottom-up）方法。然而，这种组合限制了所有参数联合优化的能力。虽然贝叶斯优化（BO）作为替代搜索策略已被探索用于识别优化CG参数，但其应用传统上局限于低维场景。这导致了一种普遍认知，即BO不适用于更复杂的CG模型，这些模型通常涉及大量参数。
贝叶斯优化在高维CG模型中的突破性应用
本研究通过成功扩展BO（使用树结构Parzen估计器TPE模型）来优化高维CG模型，对这一假设提出了挑战。具体而言，研究证明了一个包含41个参数的Pebax-1657共聚物CG模型可以通过BO有效参数化，生成的模型能准确复现其父原子表示的关键物理性质。优化框架同时针对结构和热力学性质——密度（ρ）、回转半径（Rg）和玻璃化转变温度（Tg）。与传统搜索算法相比，BO-TPE不仅收敛更快，而且在标准参数化方法基础上实现了一致性改进。
Pebax共聚物的CG建模框架
Pebax共聚物由交替的聚酰胺（PA）和聚醚（PE）链段组成，由于其可调的机械和传输性质而广泛应用于膜技术。本研究以Pebax-1657为案例，其重复单元由40%的PA6和60%的聚环氧乙烷（PEO）组成。CG模型将原子映射为五种类型的珠子（T1-T5），其中T1、T2、T3代表聚酰胺链段，T5对应聚醚链段，T4作为PA和PEO区域之间的连接器。
混合策略与贝叶斯优化方法的对比
在标准CG模型中，采用结合自上而下和自下而上方法的混合策略来推导分子间和分子内力场（FF）参数。分子间非键参数[ε, σ, λ]使用SAFT-γ Mie基团贡献法通过自上而下优化确定，而分子内相互作用（键拉伸和角弯曲参数[Kb, K?, ?]）则通过基于PCFF+势的全原子分子动力学（MD）模拟自下而上推导。虽然混合策略有效，但将全局优化问题分解为单独的子问题可能导致搜索空间低效探索，无法捕捉参数组间的相互依赖性，从而产生非最优解。
BO-TPE优化框架的设计与实现
为克服传统方法的局限性，本研究提出了基于BO的优化框架，将三个关键物理性质整合到单一目标函数中：L(θ) = wρLρ(θ) + wRgLRg(θ) + wTgLTg(θ)，其中权重系数平衡各性质的相对重要性。个体损失项计算为CG模型预测与参考数据（来自原子模型）之间的相对误差。研究采用TPE作为代理模型，它构建非参数密度估计器，将搜索空间划分为具有有利目标函数值的观测值顶级分位数和包含其余观测值的较低分位数。这种结构允许TPE自适应地建模搜索空间，优先考虑有希望的区域同时保持探索的多样性。
优化结果与模型性能评估
优化结果表明，BO-TPE在少于600次迭代（约2000分钟）内成功收敛到相似的最优解，且目标函数值比初始猜测和混合策略低几个数量级。主成分分析（PCA）显示，90%的参数方差可由前28个主成分捕获，表明参数空间存在一定冗余性和结构，但并非高度压缩的低维流形。最终得到的CG-BO模型在密度和回转半径的预测上与原子参考模型高度一致，明显优于基于混合策略的CG模型。对于玻璃化转变温度，CG-BO模型的预测相对误差为10.95%，而混合策略模型的误差为34.62%。
权重敏感性与模型鲁棒性分析
研究还探讨了目标函数对权重参数w = [wρ, wRg, wTg]变化的敏感性。通过测试不同的权重组合，发现优化景观对w的中等变化相对稳健，BO-CG模型在不同权重方案下均能捕获相关特征，尽管各物理性质的准确度平衡点有所不同。这表明所提出的方法具有一定的灵活性，最终的CG模型能够可靠地复现目标物理性质。
研究结论与未来展望
本研究证明了贝叶斯优化能够有效优化具有大量参数的粗粒化模型。与通常依赖参数分割启发式方法来导航复杂搜索空间的传统优化方法不同，BO采用根本不同的策略，使用采集函数来指导高效采样并全局探索参数空间。使用BO，研究人员优化了Pebax共聚物的CG模型，而无需将问题分解为更小的子任务，这在CG模型开发中通常是标准做法。值得注意的是，BO-TPE仅需少于600次迭代即可收敛到一组41个参数的最优解。所得的CG模型准确复现了关键物理性质，与原子模拟显示出高度一致性。尽管本研究使用原子模拟作为参考，但所提出的方法可以轻松调整以针对实验数据优化CG模型。随着BO技术的不断发展，特别是信任区域策略和多保真度框架的发展，这些工具有望进一步提高CG模型优化的可扩展性和效率，为更快、数据驱动的材料发现和分子设计铺平道路。
