非平衡多体胶体系统的神经力泛函

我们结合功率泛函理论和机器学习，在单体场层面研究非平衡过阻尼多体胶体粒子系统。首先，我们通过布朗粒子在随机生成外场影响下的计算机模拟，在稳态下采样与动力学相关的单体场。然后，利用这些数据训练一个神经网络，以在空间上局部地表示从单体密度和速度剖面到单体内力场的严格形式泛函映射。训练后的网络用于分析非平衡超绝热力场以及输运系数，如剪切粘度和体粘度。由于采用了局部学习方法，该网络可应用于比原始采样单体场的模拟盒子大得多的系统。结合精确的非平衡单体力平衡方程和连续性方程，该网络能在时间相关情况下对动力学做出可行的预测。尽管训练仅基于稳态，但预测的动力学与模拟结果吻合良好。神经动力学密度泛函理论可以作为一个极限情况直接实现，其中内力场是平衡系统的内力场。该框架具有通用性，可直接应用于遵循布朗动力学的其他相互作用粒子多体系统。