神经网络能否学习纳米尺度摩擦力？
介观与纳米尺度物理
2025-07-11 v1 材料科学
化学物理
计算物理
摘要
当前的纳米摩擦实验（包括触针-表面和表面-表面）仅提供力迹信号，通常呈现原子尺度的粘滞振荡。对这些力迹的物理解释由研究者负责。历史上手工完成，通常涉及识别最能再现这些力迹的普兰特-托米尔逊（PT）模型参数。该过程既费时又充满不确定性。我们探讨了机器学习（ML）如何以最佳效果、最小人工工作量完成这一任务。通过 PT 模型仿真生成覆盖大范围参数的合成力迹数据集，并训练一个简单的神经网络（NN）感知器。一旦该训练好的 NN 接收实验力迹输入，理想情况下它将输出最贴近这些力迹的 PT 参数。沿着这一路径逐步推进，我们遇到了各种问题，这些问题证明极具启发性和揭示性。特别重要的是，我们发现 NN 对某个或多个参数的学习存在意外不准确。我们随后表明，这一问题可以通过对训练力迹进行适当变换和扩充来消除，且无需额外工作、无需注入实验信息。将其直接应用于石墨涂层 AFM 触针在多种 2D 材料基底上的滑动，验证并鼓励将此 ML 方法作为解释和解释未来粘滞纳米摩擦数据的就绪工具。
引用
@article{arxiv.2412.06677,
title = {Can Neural Networks Learn Nanoscale Friction?},
author = {Mahboubeh Shabani and Andrea Silva and Franco Pellegrini and Jin Wang and Renato Buzio and Andrea Gerbi and Andrea Vanossi and Ali Sadeghi and Erio Tosatti},
journal= {arXiv preprint arXiv:2412.06677},
year = {2025}
}