論文の概要: DeePN$^2$: A deep learning-based non-Newtonian hydrodynamic model

• arxiv url: http://arxiv.org/abs/2112.14798v1
• Date: Wed, 29 Dec 2021 19:30:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-04 06:10:11.289300
• Title: DeePN$^2$: A deep learning-based non-Newtonian hydrodynamic model
• Title（参考訳）: deepn$^2$:深層学習に基づく非ニュートン流体力学モデル
• Authors: Lidong Fang, Pei Ge, Lei Zhang, Huan Lei, Weinan E
• Abstract要約: 深層学習に基づく非ニュートン流体力学モデルであるDeePN$2$が提案され、マイクロスケール構造力学情報を単純なポリマー配座と結合電位を持つ懸濁液のマクロスケール流体力学に体系的に渡すことに成功している。 DeePN$2$は、人間の介入なしに特定の分子構造力学から生じる広く見過ごされた粘弾性差を忠実に捉えることができることを示す。
• 参考スコア（独自算出の注目度）: 16.629659193663713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A long standing problem in the modeling of non-Newtonian hydrodynamics is the availability of reliable and interpretable hydrodynamic models that faithfully encode the underlying micro-scale polymer dynamics. The main complication arises from the long polymer relaxation time, the complex molecular structure, and heterogeneous interaction. DeePN$^2$, a deep learning-based non-Newtonian hydrodynamic model, has been proposed and has shown some success in systematically passing the micro-scale structural mechanics information to the macro-scale hydrodynamics for suspensions with simple polymer conformation and bond potential. The model retains a multi-scaled nature by mapping the polymer configurations into a set of symmetry-preserving macro-scale features. The extended constitutive laws for these macro-scale features can be directly learned from the kinetics of their micro-scale counterparts. In this paper, we carry out further study of DeePN$^2$ using more complex micro-structural models. We show that DeePN$^2$ can faithfully capture the broadly overlooked viscoelastic differences arising from the specific molecular structural mechanics without human intervention.
• Abstract（参考訳）: 非ニュートン流体力学のモデリングにおける長年の問題は、基礎となるマイクロスケールの高分子力学を忠実にエンコードする信頼性と解釈可能な流体力学モデルが利用できることである。 主な合併症は、長いポリマーの緩和時間、複雑な分子構造、不均質な相互作用から生じる。 深層学習に基づく非ニュートン流体力学モデルであるDeePN$^2$が提案され、マイクロスケール構造力学情報を単純なポリマー配座と結合電位を持つ懸濁液のマクロスケール流体力学に体系的に渡すことに成功した。 このモデルは、ポリマー構成を対称性保存マクロスケールの特徴の集合にマッピングすることで、マルチスケール性を維持している。 これらのマクロスケール特徴に対する拡張構成則は、マイクロスケール特徴の運動学から直接学べる。 本稿では,より複雑なミクロ構造モデルを用いたDeePN$^2$のさらなる研究を行う。 DeePN$^2$は、人間の介入なしに特定の分子構造力学から生じる広く見過ごされた粘弾性差を忠実に捉えることができることを示す。

関連論文リスト

• Molecular topological deep learning for polymer property prediction [18.602659324026934]
  高分子特性解析のための分子トポロジカルディープラーニング(Mol-TDL)を開発した。 Mol-TDLは高次相互作用とマルチスケール特性の両方をトポロジカルディープラーニングアーキテクチャに組み込んでいる。
  論文  参考訳（メタデータ） (2024-10-07T05:44:02Z)
• Extending the Tavis-Cummings model for molecular ensembles -- Exploring the effects of dipole self energies and static dipole moments [0.0]
  分子アンサンブルに対するTavis-Cummingsモデルを拡張した。 光共振器に共振結合したMgH$+$分子の励起状態ダイナミクスと分光をシミュレートする。
  論文  参考訳（メタデータ） (2024-04-16T15:58:40Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Collective dynamics Using Truncated Equations (CUT-E): simulating the collective strong coupling regime with few-molecule models [0.0]
  我々は置換対称性を利用して、大きな$N$に対するtextitab-initio量子力学シミュレーションの計算コストを大幅に削減する。 我々は、$k$余剰有効分子を加えると、$mathcalO(N-k)$とスケールする現象を考慮に入れるのに十分であることを示した。
  論文  参考訳（メタデータ） (2022-09-11T22:49:29Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Modeling nanoconfinement effects using active learning [1.58501955991843]
  シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。 本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
  論文  参考訳（メタデータ） (2020-05-06T04:01:53Z)
• Machine learning based non-Newtonian fluid model with molecular fidelity [17.93540781757586]
  連続的な非ニュートン流体力学モデルを構築するための機械学習に基づくフレームワークを提案する。 ダンベルポリマー溶液は本質的なアイデアを示す例として用いられる。
  論文  参考訳（メタデータ） (2020-03-07T22:24:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。