基于机器学习的域分区用于梳状纤维制造中连续体与粒子仿真的高效耦合
计算物理
2025-10-23 v1 材料科学
软凝聚态物质
摘要
所有仿真方法在应用于大尺度时空域时最终都会面临计算可扩展性的限制。这一挑战在分子水平的粒子仿真中尤为突出，因为高空间和时间分辨率导致计算需求快速增加。为克服这些限制，结合不同分辨率水平仿真的混合方法提供了可行的解决方案。在此背景下，我们提出一种基于机器学习的决策模型，用于在运行时动态选择仿真方法。该模型基于多层感知器（Multilayer perceptron, 简称 MLP）构建，预测粒子仿真与连续体仿真结果之间的预期差异，从而在预期能提供价值的地方局部使用高保真粒子仿真。这种并行方法应用于梳状纤维制造仿真中，将粒子仿真与连续体模型耦合。本文描述了决策模型的体系结构及其集成到仿真工作流程中的方式，实现了高效、可扩展且自适应的多尺度仿真。
引用
@article{arxiv.2510.19051,
title = {Machine-learned domain partitioning for computationally efficient coupling of continuum and particle simulations of membrane fabrication},
author = {Matthias Busch and Gregor Häfner and Jiayu Xie and Marius Tacke and Marcus Müller and Christian J. Cyron and Roland C. Aydin},
journal= {arXiv preprint arXiv:2510.19051},
year = {2025}
}