RDCI：一种新颖的聚类分析方法及其在样本分子模拟中的应用

本文提出了一种名为降维聚类识别（Reduced Dimensionality Cluster Identification, RDCI）的新方法，用于识别和定量描述三维空间中由 N 个物体形成的聚类。该方法包括寻找一条尽可能短的路径连接这些物体，然后追踪大小为 2n+1 < N 的粒子子群（i-n, i-n+1, ..., i+n）的尺寸 s，其中 i 从 n+1 变化到 N-n。聚类位于 s(i) 出现局部极小值处，而局部极大值则作为分隔符，将路径划分为包含聚类的子集。 minimal post-processing 允许基于用户定义的标准去除异常值并识别清晰定义的聚类。该方法的优势在于不需要预先确定的输入或关于“聚类性”的标准，如物体数量或聚集体大小。在该方法众多可能的应用中，本文报告了来自二元 Lennard-Jones 流体混合物以及分散有类气物质的模型聚合物系统的分子动力学模拟结果。结果表明，该方法能够提取有关分子聚类或解聚倾向以及聚类过程动力学的有意义的定量信息。