指数倾斜热力学图(Exponentially Tilted Thermodynamic Maps): 预测温度、压力和化学势下的相变
统计力学
2025-03-20 v1 无序系统与神经网络
化学物理
计算物理
摘要
预测和表征相变对于理解如晶体化、蛋白折叠等通用物理现象至关重要。然而，直接观测相变并总是困难的，往往只能获得相变边界外、特定热力学条件下有限的观测。本研究提出一种基于统计物理和生成式AI的框架，可从此类有限信息生成不同热力学条件下相变样本，称为指数倾斜热力学图(expTM)。核心思想是将收集的数据映射到以指数倾斜高斯表示的可解析简单先验分布中。我们展示了该先验的方差和均值可与热力学控制变量的配对相关联，包括温度、压力和化学势。这赋予我们在任意控制变量值下生成热力学正确样本的能力。为证明方法的实际适用性，我们使用expTM对具有广义正则熵族的格子气体模型进行采样，捕捉化学势和温度变化下的相变。我们进一步展示了expTM如何建模等温-等压族，从而预测在不同压力条件下的不同CO2相。两个例子均在相变边界外的极少数据上进行训练。这些结果表明，expTM是一种稳健的工具，能够在需要仅少量观测的多样化热力学条件下理解相变。
引用
@article{arxiv.2503.15080,
title = {Exponentially Tilted Thermodynamic Maps (expTM): Predicting Phase Transitions Across Temperature, Pressure, and Chemical Potential},
author = {Suemin Lee and Ruiyu Wang and Lukas Herron and Pratyush Tiwary},
journal= {arXiv preprint arXiv:2503.15080},
year = {2025}
}