|
gromacs-mdp-Expanded ensemble simulationnstexpanded: 在扩展系综模拟中，两次改变系统哈密顿量的变动尝试之间的积分步数。必须是 nstcalcenergy 的倍数，但可以大于或小于 nstdhdl。 lmc-stats: no: 不在状态空间（state space）中执行蒙特卡罗。 metropolis-transition: 使用 Metropolis 权重更新每个状态的扩展系综权重，Min{1,exp(-(beta_new u_new - beta_old u_old)} barker-transition: 使用 Barker 变换准则来更新每个状态 i 的扩展系综权重，defined by exp(-beta_new u_new)/(exp(-beta_new u_new)+exp(-beta_old u_old)) wang-landau: 使用Wang-Landau算法（在状态空间，而不是能量空间中）更新扩展系综权重。 min-variance: 使用 Escobedo 等人的最小方差更新方法更新扩展系综权重。权重不是自由能，而是强调需要更多采样才能给出更大不确定性的状态。 lmc-mc-move: no: 不在状态空间（state space）中执行蒙特卡罗。 metropolis-transition: 随机向上或向下选择一个新状态，然后使用 Metropolis 准则来决定接受还是拒绝：Min{1,exp(-(beta_new u_new - beta_old u_old)}。 barker-transition: 随机地向上或向下选择一个新状态，然后使用巴克转换准则来决定接受还是拒绝：exp(-beta_new u_new)/(exp(-beta_new u_new)+exp(-beta_old u_old)) gibbs: 使用给定坐标的状态的条件权重（(exp(-beta_i u_i) / sum_k exp(beta_i u_i)）来决定转移到哪个状态。 metropolized-gibbs: 使用给定坐标的状态的条件权重（(exp(-beta_i u_i) / sum_k exp(beta_i u_i)）来决定转移到哪个状态，不包括当前状态，然后使用拒绝步骤来确保精细的平衡。该法总是比 gibbs 更有效；尽管在许多情况下，例如只有最近的邻近区域具有适当的相空间重叠时，效率仅略高。 lmc-seed (-1): 用于状态空间中 Monte Carlo 移动的随机种子。当 lmc-seed 设置为 -1 时，将生成伪随机种子。 mc-temperature: 用于 Monte Carlo 移动接受/拒收的温度。如果未指定，则使用第一组 ref-t 中指定的模拟温度。 wl-ratio (0.8): 重置 state occupancies 直方图的截止值，并将自由能增量从 delta 改变为 delta*wl-scale。如果我们定义 Nratio=(每个直方图的样本数)/(每个直方图上的样本平均数)，wl-ratio 为 0.8 意味着只有当所有 Nratio>0.8 且同时所有 1/Nratio>0.8 时，直方图才被视为平坦。 wl-scale (0.8): 每当直方图被视为平坦时，自由能的 Wang-Landau incrementor 的当前值将乘以 wl-scale。值必须介于0和1之间。 init-wl-delta (1.0): 以 kT 为单位的 Wang-Landau incrementor 的初始值。1kT 附近的一些值通常是最有效的，尽管有时以 kT 单位表示的2-3值在自由能差较大的情况下效果更好。 wl-oneovert (no): 将 Wang Landau incrementor 在大样本限制下按 1/(模拟时间) 缩放。有大量证据表明，本文提出的状态空间中的标准 Wang-Landau 算法导致自由能“燃烧”到依赖于初始状态的错误值。当 wl-oneovert 为 yes 时，当增量小于 1/N 时（其中N是采集的样本数（N 与数据采集时间成比例，因此该选项命名为为“1 over t”）），则将Wang Lambda 增量设置为 1/N，每一步递减。此时，wl-ratio 将被忽略，但当达到 lmc-weights-equil 中设置的平衡标准时，权重仍将停止更新。 lmc-repeats (1): 控制每次迭代执行每个 Monte Carlo 交换类型的次数。在大量 Monte Carlo 重复次数的限制下，所有方法都收敛到 Gibbs 抽样。该值通常不需要与1不同。 lmc-gibbsdelta (-1): 将 Gibbs 采样范围限制为选定数量的相邻状态。对于 Gibbs 采样，在定义的所有状态上执行吉布斯采样有时效率低下。lmc-gibbsdelta 的正值意味着在上下交换中只考虑 ±lmc-gibbsdelta 的状态。值-1表示考虑所有状态。对于不到100个状态来说，将所有都包括在内可能并不昂贵。 lmc-forced-nstart (0): 强制初始状态空间采样以生成权重。为了获得合理的初始权重，此设置允许模拟从初始状态到达最终 lambda 状态，且模拟过程中先在每个状态下执行 lmc-forced-nstart 步，然后再移动到下一个 lambda 状态。如果 lmc-forced-nstart 足够长（可能有数千步），则权重将接近正确。然而，在大多数情况下，简单地运行标准权重平衡算法可能更好。 nst-transition-matrix (-1): 输出扩展系综转移矩阵的频率，负数表示仅在模拟结束时打印。 symmetrized-transition-matrix (no): 是否对称化经验转移矩阵。在无穷极限下，矩阵将是对称的，但在短时间范围内会因统计噪声而发散。通过使用矩阵 T_sym = 1/2 (T + transpose(T)) 以强制对称化消除（小幅度）负特征值的存在等问题。 mininum-var-min (100): 最小方差策略仅对较大数量的样本有效，如果在每个状态下使用的样本太少，可能会卡住。mininum-var-min 是激活最小方差策略之前每个状态允许的最小样本数（如果选中 min-variance）。 init-lambda-weights: 用于扩展系综态的初始权重（自由能）。默认值为零权重向量。格式类似于 fep-lambdas 的 lambda vector，不同之处在于权重可以是任何浮点数。单位为 kT。其长度必须与 lambda vector 长度匹配。 lmc-weights-equil: no: 在整个模拟过程中，将持续更新扩展系综权重。 yes: 输入扩展系综权重被视为平衡的，并且在整个模拟过程中不更新。 wl-delta: 当 Wang-Landau incrementor 下降到该值以下时，停止扩展系综权重更新。 number-all-lambda: 当每个 lambda 状态的样本数大于此值时，停止扩展系综权重更新。 number-steps: 当步数大于此值指定数值时，停止扩展系综权重更新。 number-samples: 当所有 lambda 状态的总样本数大于此值指定数值时，停止扩展系综权重更新。 count-ratio: 当采样最少的 lambda 状态和采样最多的 lambda 状态的样本比大于该值时，停止扩展系综权重更新。 simulated-tempering (no): 开启或关闭模拟回火。模拟回火采用不同温度的扩展系综采样，而不是不同的哈密顿量。 sim-temp-low (300) [K]: 模拟回火最低温。 sim-temp-high (300) [K]: 模拟回火最高温。 simulated-tempering-scaling: 控制从 lambda vector 的 temperature-lambdas 部分计算中间 lambda 处温度的方式。 no: 使用 temperature-lambdas 的值对温度进行线性插值，即如果 sim-temp-low=300，sim-temb-high=400，则 lambda=0.5 对应于 350 的温度。非线性温度系综始终可以在 lambda 不均匀间隔的情况下实现。 metropolis-transition: 在 sim-temp-low 和 sim-temb-high 之间以几何插值。第 i 状态的温度为 sim-temp-low*(sim-temp-high/sim-temp-low) 的 (i/(ntemps-1)) 幂次方。这应该可以为恒定的热容提供大致相等的交换，当然，涉及蛋白质折叠的模拟具有非常高的热容峰值。 barker-transition: 在 sim-temp-low 和 sim-temb-high 之间以指数插值温度。第 i 状态温度为 sim-temp-low + (sim-temp-high - sim-temp-low)*((exp(temperature-lambdas (i))-1)/(exp(1.0)-i)) ———————————————— 版权声明：本文为CSDN博主「CocoCream」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/CocoCream/article/details/126116755 |
