用于聚合物相变的深度学习序参量
材料科学
2021-02-25 v1
摘要
我们报道了一种深度学习（DL）框架，即深度自编码器，它从分子动力学（MD）模拟数据中自主发现合适的序参量，以刻画聚合物的线团到球状相变。该深度自编码器将聚合物的 3N 维 MD 轨迹编码于一维特征空间中，随后将该一维特征解码回其原始的 3N 维聚合物轨迹。聚合物的特征空间表示提供了一种新的序参量，可准确描述作为温度函数的线团到球状相变。该方法非常通用，可扩展用于识别表征聚合物及其他软物质中发生的广泛相变的柔性序参量。此外，该 MD-DL 方法在计算上远比基于纯 MD 的相变表征高效，并在加速相预测方面具有潜在意义。
引用
@article{arxiv.2102.12009,
title = {Deep Learning Order Parameter for Polymer Phase Transition},
author = {Debjyoti Bhattacharya and Tarak K Patra},
journal= {arXiv preprint arXiv:2102.12009},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2012.03184