基于 EGNN 与持久同调的活性粒子悬浮力预测拓扑正则化
软凝聚态物质
2025-09-09 v1 机器学习
摘要
活性粒子，即在流体中运动并受到流体影响又影响流体的自驱动微型代理体，其动力学捕捉是一项巨大的挑战，因需耦合细尺度流体力学与大尺度集体效应。为此，我们提出一种多尺度框架，将三种学习驱动的工具在单个管道中协同学习。我们使用高分辨率 Lattice Boltzmann 体积快照作为学习管道的输入，包含流体速度和粒子应力。第二步采用 E(2) 等价图神经网络预测粒子间的两两相互作用力，该网络必然遵循平移对称性。随后，一个受物理约束的神经网络通过求和将这些局部估计与应力数据相结合，采用傅里叶特征映射和残差块，同时引入持久同调引入的拓扑项来惩罚不切实际的纠结或伪造连接。在这些阶段协同作用下，本文提供了一种高度数据驱动的完整力网络预测方法，既强调物理底层假设，又包含活性物质中典型的多尺度结构。
引用
@article{arxiv.2509.06574,
title = {Topological Regularization for Force Prediction in Active Particle Suspension with EGNN and Persistent Homology},
author = {Sadra Saremi and Amirhossein Ahmadkhan Kordbacheh},
journal= {arXiv preprint arXiv:2509.06574},
year = {2025}
}