論文の概要: Learning locally dominant force balances in active particle systems
- arxiv url: http://arxiv.org/abs/2307.14970v1
- Date: Thu, 27 Jul 2023 16:06:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 14:03:16.876135
- Title: Learning locally dominant force balances in active particle systems
- Title（参考訳）: アクティブ粒子系における局所支配力バランスの学習
- Authors: Dominik Sturm, Suryanarayana Maddu, Ivo F. Sbalzarini
- Abstract要約: 我々は、自己組織化された活性粒子系におけるマクロパターン形成を説明する局所的な支配的な力について学習する。
本研究では, 加速器や移動密度帯などの多種多様なパターンを生じる自己推進粒子の古典的流体力学モデルについて検討する。
また, 粒子の速度が局所密度の影響を受けるシステムにおいて, パターン形成の類似の物理原理を明らかにする。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We use a combination of unsupervised clustering and sparsity-promoting
inference algorithms to learn locally dominant force balances that explain
macroscopic pattern formation in self-organized active particle systems. The
self-organized emergence of macroscopic patterns from microscopic interactions
between self-propelled particles can be widely observed nature. Although
hydrodynamic theories help us better understand the physical basis of this
phenomenon, identifying a sufficient set of local interactions that shape,
regulate, and sustain self-organized structures in active particle systems
remains challenging. We investigate a classic hydrodynamic model of
self-propelled particles that produces a wide variety of patterns, like asters
and moving density bands. Our data-driven analysis shows that propagating bands
are formed by local alignment interactions driven by density gradients, while
steady-state asters are shaped by a mechanism of splay-induced negative
compressibility arising from strong particle interactions. Our method also
reveals analogous physical principles of pattern formation in a system where
the speed of the particle is influenced by local density. This demonstrates the
ability of our method to reveal physical commonalities across models. The
physical mechanisms inferred from the data are in excellent agreement with
analytical scaling arguments and experimental observations.
- Abstract（参考訳）: 自己組織型アクティブ粒子系におけるマクロパターン形成を説明する局所支配的力バランスを学習するために,教師なしクラスタリングとスパーシティプロモーティング推論アルゴリズムの組み合わせを用いた。
自己推進粒子間の微視的相互作用による巨視的パターンの自己組織的出現は, 広く観察できる。
流体力学理論は、この現象の物理的基礎をよりよく理解するのに役立つが、活性粒子系の自己組織構造を形成、制御、維持する十分な局所的な相互作用の集合を同定することは、依然として困難である。
本研究では,アスターや移動密度帯などの多種多様なパターンを生じる自己推進粒子の古典的流体力学モデルについて検討する。
データ駆動解析により, 密度勾配による局所的なアライメント相互作用によって伝播帯が形成される一方で, 強い粒子相互作用から生じるスプレイ誘起負圧縮機構によって定常状態のアスタが形成されることが示された。
また, 粒子の速度が局所密度の影響を受けるシステムにおいて, パターン形成の類似の物理原理を明らかにする。
これにより,モデル間の物理的共通点を明らかにすることができる。
データから推定された物理メカニズムは、解析的スケーリングの議論や実験的な観察とよく一致している。
関連論文リスト
- Neural force functional for non-equilibrium many-body colloidal systems [0.20971479389679337]
パワー関数理論と機械学習を組み合わせて、コロイド粒子の非平衡過剰多体系を研究する。
まず、ブラウン粒子のコンピュータシミュレーションから、一体場を定常にサンプリングする。
ニューラルネットワークは、このデータを用いて訓練され、一体密度と速度プロファイルから一体の内部力場への公式な正確に機能的なマッピングを宇宙空間で局所的に表現する。
論文 参考訳（メタデータ） (2024-06-05T19:57:23Z) - Deep learning probability flows and entropy production rates in active matter [15.238808518078567]
本研究では,高次元確率密度のスコアを推定するディープラーニングフレームワークを開発する。
スコアを表すために,空間的に局所的なトランスフォーマーネットワークアーキテクチャを導入する。
1つのパッキング分数で4096粒子の系で訓練された1つのネットワークが、位相図の他の領域に一般化可能であることを示す。
論文 参考訳（メタデータ） (2023-09-22T16:44:18Z) - 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) - Topologically bound states, non-Hermitian skin effect and flat bands,
induced by two-particle interaction [91.3755431537592]
一次元強結合モデルにおける2つのスピンレス粒子の量子状態の理論的反発について検討する。
粒子が同一でない場合、相互作用は非自明な相関関係にある2粒子状態を引き起こす。
論文 参考訳（メタデータ） (2022-11-11T07:34:54Z) - Probing dynamics of a two-dimensional dipolar spin ensemble using single
qubit sensor [62.997667081978825]
ダイヤモンド結晶表面上の電子スピンの2次元アンサンブルにおける個々のスピンダイナミクスを実験的に検討した。
この不規則に緩やかな緩和速度は、強い力学障害の存在によるものであることを示す。
我々の研究は、強く相互作用する無秩序なスピンアンサンブルにおける量子熱化の微視的研究と制御への道を開いた。
論文 参考訳（メタデータ） (2022-07-21T18:00:17Z) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳（メタデータ） (2022-03-03T15:13:29Z) - Learning deterministic hydrodynamic equations from stochastic active
particle dynamics [1.933681537640272]
本研究では, 自己推進粒子系で観測された密度レーンの流体力学モデル学習に本手法を適用した。
このことは、統計的学習理論と物理先行理論が組み合わさって、非平衡過程のマルチスケールモデルの発見を可能にすることを証明している。
論文 参考訳（メタデータ） (2022-01-21T10:19:36Z) - Self-oscillating pump in a topological dissipative atom-cavity system [55.41644538483948]
光共振器に結合した量子ガス中を励起する創発的機構について報告する。
散逸により、空洞場はその2つの四角形の間に進化し、それぞれが異なる中心対称結晶構造に対応する。
この自己振動は、トポロジカル強結合モデルにおける電子の輸送を記述する時間周期ポテンシャルに類似する。
論文 参考訳（メタデータ） (2021-12-21T19:57:30Z) - Topological phonons in arrays of ultracold dipolar particles [0.0]
超低温極性双極子粒子の配列におけるフォノン様集合モードのトポロジ関連現象について検討した。
これらのモードは、平衡位置の周りの粒子の振動に対応する振動励起をコヒーレントに伝播する。
このようなシステムは, 一つの実験装置において, 幅広いトポロジ的効果を調査するための, 独特で汎用的なツールであることを示す。
論文 参考訳（メタデータ） (2021-08-26T15:28:39Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳（メタデータ） (2021-05-27T18:00:02Z) - Experimental realization of a 3D long-range random hopping model [0.0]
ランダム双極子-双極子結合を持つ3次元多体ライドバーグ系について検討する。
本研究は, ランダムホッピングモデルにおける輸送過程と局所化現象を詳細に研究する方法について検討した。
論文 参考訳（メタデータ） (2020-12-23T15:19:58Z)
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。