主动物质系统相行为的机器学习研究
软凝聚态物质
2020-11-19 v1 材料科学
机器学习
机器学习
摘要
我们证明深度学习技术可用于通过建立在粒子层面的相概念来预测活性布朗粒子（ABP）悬浮液中的运动诱导相分离（MIPS）。我们将全连接网络与图神经网络结合，利用单个粒子特征预测粒子所属相。由此，我们能够计算稀相粒子比例以确定系统处于均匀稀相、密相还是共存区。我们的预测与模拟得到的 MIPS 双节点线进行了比较。两者间的高度一致表明，机器学习提供了一种确定 ABP 相行为的有效途径，并可能有助于确定更复杂的相图。
引用
@article{arxiv.2011.09458,
title = {Machine Learning for Phase Behavior in Active Matter Systems},
author = {Austin R. Dulaney and John F. Brady},
journal= {arXiv preprint arXiv:2011.09458},
year = {2020}
}