基于机器学习的增强型力场标定

微观力场对布朗粒子运动的影响在软物质、生物物理和活性物质等广泛领域中起着基础作用。通常，这些力场的实验标定依赖于对布朗粒子轨迹的分析。然而，此类分析并非总是直截了当，尤其当底层力场为非保守或时变、将系统驱离热力学平衡时。在此，我们引入一个工具箱，通过使用机器学习（即循环神经网络）分析布朗粒子的轨迹来标定微观力场。我们证明，当可用数据有限时，该机器学习方法在表征由谐振势产生的力场方面优于标准方法。更重要的是，它为在没有标准方法的情况下（如非保守和时变力场）标定力场提供了工具。为使该方法易于供其他用户使用，我们提供了一个名为DeepCalib的Python软件包，可轻松针对特定应用进行个性化与优化。