SPIEDiff：基于统计物理信息的从短时间粒子仿真学习长时间宏观动力学
机器学习
2025-05-21 v1 计算物理
摘要
数据驱动发现具有粒子保真度的耗散系统长时间宏观动力学和热力学，受到诸多重大挑战的制约。这些挑战包括粒子仿真固有的强时间尺度限制、从给定的宏观动力学推导热力学势和算子的非唯一性，以及高效不确定性量化的需求。本文引入统计物理信息的认知扩散模型（SPIEDiff），一种机器学习框架，旨在克服纯粹耗散系统中的这些限制，利用统计物理、条件扩散模型和 epinets。我们在随机阿瑞因斯粒子过程上评估了所提出的框架，结果表明 SPIEDiff 能够准确揭示热力学和动力学，同时仅使用短时间粒子仿真数据即可实现可靠的长时间宏观预测。SPIEDiff 能在分钟内提供带量化不确定性的精确预测，大幅降低了计算需求；相较于直接粒子仿真（在本文所考察的示例中需要数天至数年），SPIEDiff 大幅提升了效率。总体而言，SPIEDiff 为数据驱动的热力学模型发现提供了可靠且可信的路径。
引用
@article{arxiv.2505.13501,
title = {SPIEDiff: robust learning of long-time macroscopic dynamics from short-time particle simulations with quantified epistemic uncertainty},
author = {Zequn He and Celia Reina},
journal= {arXiv preprint arXiv:2505.13501},
year = {2025}
}