从刘维尔方程到Velocity-Verlet算法

技术背景

我们说分子动力学模拟是一个牛顿力学的过程，在使用量子化学的手段或者深度学习的方法或者传统的力场方法，去得到某个时刻某个位置的受力之后，就可以获取下一步的整个系统的状态信息。这个演化的过程所使用的算法，也在历史上演化了多次，从1967年的Verlet算法，到后来的Leap-Frog算法，再到Velocity-Verlet算法。我们可以先看一看这三种算法的形式，再从刘维尔方程出发，看看Velocity-Verlet算法的由来。

Verlet算法

我们把\(r(t+\delta t)\)和\(r(t-\delta t)\)看做是两个函数，分别对\(r(t+\delta t)\)和\(r(t-\delta t)\)在时刻\(t\)处进行二阶泰勒展开有：

\[r(t+\delta t)=r(t)+v(t)\delta t+\frac{F(t)}{2m}\delta t^2\\
r(t-\delta t)=r(t)-v(t)\delta t+\frac{F(t)}{2m}\delta t^2
\]

将上面第二个公式中的\(v(t)\delta t\)项移到左侧，把\(r(t-\delta t)\)移到右侧，再代入到第一个公式中，就可以得到下一步的坐标：

\[r(t+\delta t)=2r(t)-r(t-\delta t)+\frac{F(t)}{m}\delta t^2+O(\delta t^4)
\]

然后再把1、2两个公式相减，就可以得到当前时刻的速度：

\[v(t)=\frac{r(t+\delta t)-r(t-\delta t)}{2\delta t}+O(\delta t^2)
\]

到这里就得到了Verlet算法的更新步骤，过程也非常的简单。但是有个比较致命的问题是，Verlet算法的更新中，不仅仅需要到上一步的坐标位置，还需要用到上上一步的坐标位置，这就有可能导致两个问题：

1. 第一步的更新，没有上上一步的信息；
2. 在算法执行的过程中，每次迭代不仅仅要存储上一步的坐标位置，还需要额外存储上上一步的位置，更新较为麻烦，也会占据额外的空间。

目前这种传统的Verlet算法应用已经较少，主要还是使用接下来要讲到的Leap-Frog算法和Velocity-Verlet算法。

Leap-Frog算法

在蛙跳法中，引入了另外一个概念：用两点之间的中间时刻的速度近似为两个点之间的平均速度，这样就可以得到一个坐标更新公式：

\[r(t+\delta t)=r(t)+v(t+\frac{\delta}{2})\delta t
\]

其中半步的速度是基于上一个半步的速度来更新的：

\[v(t+\frac{\delta t}{2})=v(t-\frac{\delta t}{2})+\frac{F(t)\delta t}{m}=v(t-\frac{\delta t}{2})-\frac{\partial V}{\partial r(t)}\cdot\frac{\delta t}{m}
\]

在上面的方程中已经用势能对坐标的偏导来替代力的计算，这也跟哈密顿力学中只有势能项显含坐标有关。虽然到这里我们已经完成了坐标和速度的更新，但是速度和坐标之间是不同步的，为此我们还需要用两个半步速度取平均来计算一个时间同步的速度：

\[v(t+\delta t)=\frac{v(t+\frac{\delta t}{2})-v(t-\frac{\delta t}{2})}{2}
\]

由于这里只涉及到前半步的速度，而不涉及到前一步的坐标，因此Leap-Frog算法在实际应用场景中有着较为广泛的使用。

刘维尔方程与Velocity Verlet

首先我们看一下刘维尔方程的形式：

\[\frac{d\rho(p,q,t)}{dt}=\frac{\partial\rho}{\partial t}+\hat{L}\rho=0
\]

其中刘维尔算子\(\hat{L}\)的形式为：

\[\hat{L}=\hat{L_1}+\hat{L_2}=\sum_{i=1}^{3N}\left(\frac{\partial H}{\partial p_i}\frac{\partial}{\partial q_i}-\frac{\partial H}{\partial q_i}\frac{\partial}{\partial p_i}\right)
\]

其中写成\(\hat{L_1}\)和\(\hat{L_2}\)的形式也是为了方便后面做Trotter分解：

\[\hat{L_1}=\sum_{i=1}^{3N}\frac{\partial H}{\partial p_i}\frac{\partial}{\partial q_i}\\
\hat{L_2}=-\sum_{i=1}^{3N}\frac{\partial H}{\partial q_i}\frac{\partial}{\partial p_i}
\]

写完刘维尔方程的表述之后，我们再回过头看看刘维尔方程的物理含义，这里的密度函数\(\rho(p,q,t)\)是指在相空间中粒子的分布密度，对于整体的积分有：

\[N=\int\rho(p,q,t)dqdp
\]

这里的\(N\)所表示的就是整个系统的总粒子数。因此，实际上刘维尔方程所表述的内容就是：分布函数沿着相空间的任何轨迹是常数。

Trotter-Suzuki分解

我们首先需要回顾一个知识点，虽然对于两个常数\(a,b\)来说，其加和的指数可以等于指数的乘积，即\(e^{a+b}=e^{a}e^{b}\)，但如果是对于两个矩阵\(A,B\)的话，类似的等式往往是不成立的。而Trotter-Suzuki公式，将其表示为一个显式的误差：

\[e^{\sum_{j=1}^{m}H_jt}=\prod_{j=1}^{m}e^{H_jt}+O(m^2t^2)
\]

此时我们再回顾刘维尔算子的分解：\(\hat{L}=\hat{L_1}+\hat{L_2}\)，再进一步将其分解为：\(\hat{L}=\frac{\hat{L_2}}{2}+\hat{L_1}+\frac{\hat{L_2}}{2}\)，至于为什么用这个形式来分解，我也不懂，也许是尝试出来的。基于这个形式的分解，我们将其代入到刘维尔算子的演化中。定义一个广义参量\(x(t)=\{p(t),q(t)\}\)，则刘维尔算子对该参量的演化为：

\[\begin{align}
e^{\hat{L}t}x(0)&=e^{(\frac{\hat{L_2}}{2}+\hat{L_1}+\frac{\hat{L_2}}{2})t}x(0)\\
&\approx e^{\hat{L_2}t/2}e^{\hat{L_1}t}e^{\hat{L_2}t/2}x(0)\\
&\approx e^{\hat{L_2}t/2}e^{\hat{L_1}t}\left(1+\hat{L_2}\frac{\delta t}{2}\right)x(0)\\
&=e^{\hat{L_2}t/2}e^{\hat{L_1}t}\left(x(0)-\frac{\delta t}{2}\sum_{i=1}^{3N}\frac{\partial H}{\partial q_i}\frac{\partial x(0)}{\partial p_i}\right)\\
&=e^{\hat{L_2}t/2}e^{\hat{L_1}t}x(1)
\end{align}
\]

观察上述推导过程的倒数第二步，因为\(x(t)=\{p(t),q(t)\}\)，并且在相空间中所有的\(p_i\)是正交的关系，因此\(\frac{\partial x(0)}{\partial p_i}\)得到的结果全为1。又因为在哈密顿力学中有\(-\frac{\partial H}{\partial q}=\frac{dp}{dt},\frac{\partial H}{\partial p}=\frac{dq}{dt}\)。因此，假定\(x(0)=\{p_i(t_0),q_i(t_0)\},i=1,2,...,3N\)，则\(x(1)=\{p_i(t_0)+\frac{dp(t_0)}{dt}\frac{\delta t}{2},q_i(t_0)\},i=1,2,...,3N\)。使用类似的方法，我们继续往下推导：

\[\begin{align}
e^{\hat{L}t}x(0)&\approx e^{\hat{L_2}t/2}e^{\hat{L_1}t}x(1)\\
&=e^{\hat{L_2}t/2}\left(x(1)+\delta t\sum_{i=1}^{3N}\frac{\partial H}{\partial p_i}\frac{\partial x(1)}{\partial q_i}\right)\\
&=e^{\hat{L_2}t/2}x(2)
\end{align}
\]

其中\(x(2)=\{p_i(t_0)+\frac{dp(t_0)}{dt}\frac{\delta t}{2},q_i(t_0)+\frac{dq(t_0)}{dt}\delta t\},i=1,2,...,3N\)，同样的方法，再完成最后一步的分解：

\[\begin{align}
e^{\hat{L}t}x(0)&\approx e^{\hat{L_2}t/2}x(2)\\
&=x(2)-\frac{\delta t}{2}\sum_{i=1}^{3N}\frac{\partial H}{\partial q_i}\frac{\partial x(2)}{\partial p_i}\\
&=x(3)
\end{align}
\]

需要注意的是，虽然在前面\(x(0)\rightarrow x(1)\)的演化中共轭动量项在\(\hat{L_2}\)的作用下发生了变化，但是显含的动量项保持不变，因此这里的偏导项得到的结果依然是1，那么就有\(x(3)=\{p_i(t_0)+\frac{dp(t_0)}{dt}\delta t,q_i(t_0)+\frac{dq(t_0)}{dt}\delta t\},i=1,2,...,3N\)。到这一步，问题逐渐露出端倪，我们发现在刘维尔算子的作用下，经过Trotter-Suzuki分解和Taylor展开的操作，正则坐标\(q\)和共轭动量\(p\)已经完成了一个时间单位\(delta t\)的演化，正对应到分子动力学模拟中的单步演化。

Velocity Verlet算法

参考上一个章节中刘维尔算子的演化过程\(x(0)\rightarrow x(1)\)，我们可以先将速度进行半步演化：

\[v(t+\frac{\delta t}{2})=v(t)+\frac{F(t)}{m}\frac{\delta t}{2}+O(\delta t^3)
\]

参考\(x(1)\rightarrow x(2)\)过程，我们可以将坐标进行单步演化：

\[r(t+\delta t)=r(t)+v(t+\frac{\delta t}{2})\delta t+O(\delta t^4)
\]

最后参考\(x(2)\rightarrow x(3)\)的过程，将半步演化的速度再同步到单步演化：

\[v(t+\delta t)=v(t+\frac{\delta t}{2})+\frac{F(t+\delta t)}{m}\frac{\delta t}{2}+O(\delta t^2)
\]

这个过程最漂亮的地方在于，演化的参数不依赖于上一步或者上半步的任何参数，只需要具备了\(v(t),r(t)\)即可演化得到\(v(t+\delta t),r(r+\delta t)\)，当然，这里面需要用量子化学或者深度学习或者是力场参数的形式，去分别计算得\(t\)和\(t+\delta t\)时刻的作用力。

总结概要

本文延续历史上分子动力学模拟演化算法的发展顺序，分别讲述了Verlet、LeapFrog和Velocity-Verlet三个算法的形式，并且结合刘维尔方程，推导了Velocity-Verlet算法中的三个演化步骤的内在含义。三种不同的演化算法，都有不同的初始依赖，而对于计算过程而言，越多的初始依赖，就会涉及到越多的参数存储问题。一个好的演化算法，只需要依赖于少量的参数，而具备较高的精度。

版权声明

本文首发链接为：https://www.cnblogs.com/dechinphy/p/liouville.html

作者ID：DechinPhy

更多原著文章请参考：https://www.cnblogs.com/dechinphy/

打赏专用链接：https://www.cnblogs.com/dechinphy/gallery/image/379634.html

腾讯云专栏同步：https://cloud.tencent.com/developer/column/91958