平衡凝聚相分子结构的对抗式逆向映射

分辨率之间紧密且一致的关联对于进一步扩展复杂材料多尺度建模的影响至关重要。我们在此将凝聚分子结构的生成作为粗粒化结构的细化——反向映射——来处理。传统方案从粗略的粗到细映射开始，并执行进一步的能量最小化与分子动力学模拟以平衡系统。在本研究中，我们引入 DeepBackmap：一种基于深度神经网络的方法，用于直接预测凝聚相系统的平衡分子结构。我们利用生成对抗网络从训练数据中学习玻尔兹曼分布，并通过将粗粒化结构作为条件输入来实现反向映射。我们将方法应用于一个具挑战性的凝聚相聚合物体系。我们观察到，在熔体中训练的模型对晶相具有显著的迁移性。我们架构中数据驱动与基于物理的方面的结合有助于仅以有限训练数据实现温度迁移性。