服从麦克斯韦-玻尔兹曼分布的速度初始化及其 Python 实现。
背景资料
我们在前文探讨了使用 xTB 进行分子动力学模拟时的速度初始化问题。xTB 的速度初始化的正负性服从均匀分布，且相同类型原子的速度的绝对值相同，这可能并不符合实际情况。我们在本文探讨如何生成服从麦克斯韦-玻尔兹曼分布的速度初始化。
根据Maxwell–Boltzmann distribution 结论的推导的 Distribution for the velocity vector 部分，速度矢量在一个方向的概率密度函数表达式为：
$$
f_{v} (v_{i} ) = \sqrt{\frac{m}{2\pi kT} } exp(\frac{-mv^{2} _{i} }{2kT} )
$$
可以看到速度矢量在一个方向的概率密度函数是正态分布的形式，其参数为：
$$
\mu = 0, \sigma = \sqrt{\frac{kT}{m} }
$$
为了从概率密度函数推导出实际分子的速度矢量分布，应当根据速度矢量的概率密度函数（PDF）求得累积分布函数（CDF），再得到累计分布函数的反函数。在 [0, 1] 范围内生成随机变量，然后带入累计分布函数的反函数，就可以得到服从概率密度函数的分布。
这里有一张非常清晰地讲解逆变换采样的过程的图，摘自[2]：
但是由于速度矢量概率密度函数形式比较复杂，求其累积分布函数的反函数比较困难（有兴趣的小伙伴可以参考这篇文章）。幸好 SciPy 提供的 scipy.stats.norm.ppf 为我们提供了对正态分布的概率密度函数逆变换采样的方法。我们在下一个章节讨论如何用 Python 实现服从麦克斯韦-玻尔兹曼分布的速度初始化。
实践
H 元素在 293.15K 的速度矢量分布图
# Author: Heqi Liu
# GitHub: https://github.com/metaphorme
# Time: 4 April 2024
# Licensed under the MIT License.
from math import sqrt
import numpy as np
import scipy.stats as stats
from scipy.constants import Boltzmann
import matplotlib.pyplot as plt
# 设置随机种子以获得可重现的结果
np.random.seed(0)
# 生成 10000 个均匀分布的随机值
uniform_samples = np.random.uniform(0, 1, 10000)
# 请见公式（2）
loc = 0
sigma = sqrt(((Boltzmann * 293.15) / 1.6735575e-27))
# 使用逆变换采样生成服从高斯分布的样本
gaussian_samples = stats.norm.ppf(uniform_samples, loc=loc, scale=sigma)
# 绘制直方图
plt.hist(gaussian_samples, bins=100, density=True)
# 绘制高斯分布的 PDF
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = stats.norm.pdf(x, 0, sigma)
plt.plot(x, p, 'k', linewidth=2)
title = "Velocity Vector Distribution of Hydrogen Atoms at 293.15K"
plt.title(title)
plt.xlabel("Velocity (m/s)")
plt.ylabel("Frequency")
# 显示图形
plt.show()
获得美图一张：
对一组原子进行服从麦克斯韦-玻尔兹曼分布的速度初始化
from math import sqrt
from typing import Union
import numpy as np
from rdkit import Chem
import scipy.stats as stats
from scipy import constants
def mb_initial_velocities(atom_list: Union[list, np.ndarray], t: Union[int, float], seed=None) -> np.ndarray:
"""
mb_initial_velocities
服从麦克斯韦-玻尔兹曼分布的速度初始化
:param atom_list: Union[list, np.ndarray]，体系原子序数表
:param t: Union[int, float]，初始温度
:param seed: 随机种子
:return: np.ndarray
Author: Heqi Liu
GitHub: https://github.com/metaphorme
Time: 5 April 2024
Licensed under the MIT License
"""
if isinstance(atom_list, list):
atom_list = np.array(atom_list)
np.random.seed(seed) # 设置随机种子
# 初始化原子质量，单位：kg
# 列表index索引代表第index个元素，第0个元素为0。
atomic_number_atomic_mass = []
for i in range(119):
atomic_number_atomic_mass.append([Chem.Atom.GetMass(Chem.Atom(i)) * constants.physical_constants["atomic mass constant"][0]])
atomic_number_atomic_mass = np.array(atomic_number_atomic_mass)
atoms_velocities = dict() # 原子: 速度分布字典
uniform_samples = np.random.uniform(0, 1, 10000) # 生成 10000 个均匀分布的随机值
for atom in np.unique(atom_list): # 去重原子列表
sigma = sqrt(((constants.Boltzmann * t) / atomic_number_atomic_mass[atom].item()))
velocities = stats.norm.ppf(uniform_samples, loc=0, scale=sigma) # 使用逆变换采样生成服从高斯分布的速度
atoms_velocities[atom] = velocities
# 生成原子速度
velocities = np.zeros((len(atom_list), 3), dtype=np.float64)
for i in range(len(atom_list)):
velocities[i] = np.random.choice(atoms_velocities[atom_list[i]], size=3, replace=True) # 独立地抽取三个值作为速度矢量
return velocities
我们试着初始化 O2C2H4 在 293.15K 时的初始速度：
velocities = mb_initial_velocities(atom_list=[8, 8, 6, 6, 1, 1], t=293.15, seed=0)
print(velocities)
得到的初始速度为：
[[ -46.75525773 854.76847761 417.26670771]
[ 309.56764731 -558.42177725 -29.12528993]
[ -387.6395438 -107.36729731 385.78401259]
[ -758.71300473 -403.85757334 150.14948602]
[ 2641.77710172 1915.01025137 -635.2587755 ]
[-3392.80768016 -1217.41113537 581.3346014 ]]
大功告成！
参考文献
[1] Maxwell–Boltzmann distribution, https://en.wikipedia.org/wiki/Maxwell%E2%80%93Boltzmann_distribution
[2] 渲染与采样（1）：逆变换采样（Inverse Transform Sampling）—原理与实际应用, https://zhuanlan.zhihu.com/p/622443806
[3] 采样（二）：从正态分布采样, https://allenwind.github.io/blog/10395/
特别鸣谢
感谢 TimeCrystal 为问题的解决提供了方向和理论支撑。