用机器学习与噪声表征活性物质中不同运动诱导区

我们利用机器学习和噪声涨落分析考察了二维 run and tumble 圆盘系统中的运动诱导相分离（MIPS）。我们的度量表明，在 MIPS 态内作为密度和奔跑时间的函数存在若干不同区，使得具有 MIPS 转变的系统表现出活性流体、活性晶体和临界区。这些不同区可通过结合从主成分分析提取的序参量与团簇稳定性测量来检测。主成分导出的序参量在临界区最大，在活性流体中保持较低，在活性晶体区具有中间值。我们证明，与最大团簇尺寸等更标准的结构度量相比，机器学习能更好地捕捉 MIPS 区的动力学性质。不同区也可通过平均速率涨落中噪声功率的变化来表征。在临界区，噪声功率经过最大值，并具有带 $1/f^{1.6}$ 特征的宽谱，类似于在去钉扎转变附近或发生塑性变形的固体中观察到的噪声。