論文の概要: Neural force functional for non-equilibrium many-body colloidal systems
- arxiv url: http://arxiv.org/abs/2406.03606v1
- Date: Wed, 5 Jun 2024 19:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-07 19:04:59.257036
- Title: Neural force functional for non-equilibrium many-body colloidal systems
- Title（参考訳）: 非平衡多体コロイド系に対する神経力関数
- Authors: Toni Zimmerman, Florian Sammüller, Sophie Hermann, Matthias Schmidt, Daniel de las Heras,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.20971479389679337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We combine power functional theory and machine learning to study non-equilibrium overdamped many-body systems of colloidal particles at the level of one-body fields. We first sample in steady state the one-body fields relevant for the dynamics from computer simulations of Brownian particles under the influence of randomly generated external fields. A neural network is then trained with this data to represent locally in space the formally exact functional mapping from the one-body density and velocity profiles to the one-body internal force field. The trained network is used to analyse the non-equilibrium superadiabatic force field and the transport coefficients such as shear and bulk viscosities. Due to the local learning approach, the network can be applied to systems much larger than the original simulation box in which the one-body fields are sampled. Complemented with the exact non-equilibrium one-body force balance equation and a continuity equation, the network yields viable predictions of the dynamics in time-dependent situations. Even though training is based on steady states only, the predicted dynamics is in good agreement with simulation results. A neural dynamical density functional theory can be straightforwardly implemented as a limiting case in which the internal force field is that of an equilibrium system. The framework is general and directly applicable to other many-body systems of interacting particles following Brownian dynamics.
- Abstract（参考訳）: 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な多体系を1体場のレベルで研究する。
まず、ランダムに生成された外部場の影響下で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。
トレーニングされたネットワークは、非平衡超断熱力場とせん断やバルク粘性などの輸送係数を分析するために使用される。
局所的な学習手法により、ネットワークは1体フィールドをサンプリングする元のシミュレーションボックスよりもはるかに大きなシステムに適用できる。
ネットワークは、正確な非平衡一体力バランス方程式と連続性方程式を補完し、時間に依存した状況下での力学の実行可能な予測を導出する。
トレーニングは定常状態のみに基づいているが、予測力学はシミュレーション結果とよく一致している。
神経力学密度汎関数理論は、内部力場が平衡系のそれである極限の場合として簡単に実装できる。
このフレームワークは一般的なものであり、ブラウン力学に従って相互作用する粒子の他の多体系にも直接適用できる。
関連論文リスト
- Addressing the Non-perturbative Regime of the Quantum Anharmonic Oscillator by Physics-Informed Neural Networks [0.9374652839580183]
量子領域において、そのようなアプローチは、非可積分系に対するシュレーディンガー方程式を解く新しいアプローチへの道を開く。
実数および虚数周波数のシステムについて検討し、量子場理論に現れる問題に対処するための新しい数値法の基礎を築いた。
論文 参考訳（メタデータ） (2024-05-22T08:34:52Z) - Performance of wave function and Green's functions based methods for non equilibrium many-body dynamics [2.028938217928823]
量子多体系の非平衡力学は、強い駆動場と弱い駆動場の観点から研究される。
類似性変換されたハミルトニアンに基づく圧縮された定式化は、弱場において実質的に正確であり、したがって弱あるいは中程度に相関する系であることを示す。
グリーン関数が(広く普及している)GW近似で予測するダイナミクスは、強駆動状態における平均場の結果を著しく改善することで、より正確ではない。
論文 参考訳（メタデータ） (2024-05-14T17:59:29Z) - Real-time Dynamics of the Schwinger Model as an Open Quantum System with Neural Density Operators [1.0713888959520208]
この研究は、ニューラルネットワークのパラメータによる正確な量子状態の近似の難しさを克服する機械学習アルゴリズムを開発する。
QCDのような理論における原理実証の証明として、1+1d格子シュウィンガーモデルにおけるリンドブラッド・マスター方程式を開量子系として解く方法が応用される。
論文 参考訳（メタデータ） (2024-02-09T18:36:17Z) - Learning locally dominant force balances in active particle systems [1.933681537640272]
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。
論文 参考訳（メタデータ） (2023-07-27T16:06:03Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Dilute neutron star matter from neural-network quantum states [58.720142291102135]
低密度中性子物質はクーパー対の形成と超流動の開始によって特徴づけられる。
我々は、モンテカルロ変分法と再構成技術を組み合わせた隠れ核量子ネットワーク量子状態の表現性に乗じて、この密度構造をモデル化する。
論文 参考訳（メタデータ） (2022-12-08T17:55:25Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Spreading of a local excitation in a Quantum Hierarchical Model [62.997667081978825]
常磁性相における量子ダイソン階層モデルのダイナミクスについて検討する。
地磁気場状態の局所励起による初期状態を考慮する。
局所化機構が発見され、励起は任意の時間で初期位置に近づいたままである。
論文 参考訳（メタデータ） (2022-07-14T10:05:20Z) - Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
平均場ランゲヴィン力学の収束速度解析について述べる。
ダイナミックスに付随する$p_q$により、凸最適化において古典的な結果と平行な収束理論を開発できる。
論文 参考訳（メタデータ） (2022-01-25T17:13:56Z) - Approximation Bounds for Random Neural Networks and Reservoir Systems [8.143750358586072]
本研究は、ランダムに生成された内部重みを持つ単層フィードフォワードおよび繰り返しニューラルネットワークに基づく近似について研究する。
特に、ランダムに生成された重みを持つエコー状態ネットワークは、広い種類の力学系を任意に近似することができることを証明している。
論文 参考訳（メタデータ） (2020-02-14T09:43:28Z)
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。