受限简单液体粗粒化的数据驱动方法
统计力学
2023-11-06 v1
摘要
我们提出了一种数据驱动框架，用于识别受限系统中简单液体的粗粒化（CG）Lennard-Jones（LJ）势参数。我们的方法使用深度神经网络（DNN）来近似求解受限系统的逆液体状态（ILST）问题。该 DNN 模型固有地包含了受限流体特有的基本物理特征，从而能够准确预测非均匀性效应。通过利用迁移学习，我们预测了限制在狭缝状通道中的简单多原子液体的单点 LJ 势，在静电相互作用不占主导时，其有效复现了目标全原子（AA）系统的流体结构与分子力。此外，我们展示了数据驱动方法与著名的基于相对熵（RE）最小化的自底向上粗粒化方法之间的协同作用。通过顺序使用这两种方法，迭代 RE 方法的鲁棒性显著增强，收敛性得到明显提升。
引用
@article{arxiv.2311.02042,
title = {A Data-Driven Approach to Coarse-Graining Simple Liquids in Confinement},
author = {Ishan Nadkarni and Haiyi Wu and Narayana. R. Aluru},
journal= {arXiv preprint arXiv:2311.02042},
year = {2023}
}
备注
Journal of Chemical Theory and Computation (2023)