基于条件去噪扩散模型的囊约流体准连续建模
计算物理
2025-09-11 v1 机器学习
摘要
我们提出一种数据高效、多尺度框架，用于预测囊约流体的密度轮廓。虽然精确的密度估计需要不可及的长时间尺度，而初步分子动力学（AIMD）仿真无法实现，但机器学习分子动力学（MLMD）提供了可扩展的替代方案，使其能够以降低计算成本的准初步精度生成力预测。然而，尽管其高效，MLMD 仿真仍受制于亚纳秒时间步长，限制其在计算准长期平均值方面的实用性。为此，我们提出一种基于条件去噪扩散概率模型（DDPM）的准连续方法，该方法在条件于从有限 AIMD 数据集中提取的带噪声力时，预测沿囊约方向的力轮廓的长期行为。预测的光滑力随后通过耐纳斯-普拉斯方程链接至连续理论，以揭示其背后的密度行为。我们在两个石墨 nanoscale 狭缝之间约束的水上进行测试，证明该方法可以准初步精度恢复训练域之外的通道宽度的密度轮廓。与 AIMD 和 MLMD 仿真相比，我们的方法在运行时实现了数量级的加速，并且所需的训练数据显著少于先前工作。
引用
@article{arxiv.2509.08223,
title = {Generative Quasi-Continuum Modeling of Confined Fluids at the Nanoscale},
author = {Bugra Yalcin and Ishan Nadkarni and Jinu Jeong and Chenxing Liang and Narayana R. Aluru},
journal= {arXiv preprint arXiv:2509.08223},
year = {2025}
}