論文の概要: Generative Quasi-Continuum Modeling of Confined Fluids at the Nanoscale

• arxiv url: http://arxiv.org/abs/2509.08223v1
• Date: Wed, 10 Sep 2025 01:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.285566
• Title: Generative Quasi-Continuum Modeling of Confined Fluids at the Nanoscale
• Title（参考訳）: ナノスケールにおける凝縮流体の生成的準連続モデリング
• Authors: Bugra Yalcin, Ishan Nadkarni, Jinu Jeong, Chenxing Liang, Narayana R. Aluru,
• Abstract要約: 機械学習分子動力学(MLMD)は、アブ初期分子動力学シミュレーションに代わるスケーラブルな代替手段を提供する。 本研究では, 拘束方向に沿った力分布の長時間挙動を予測できる条件付き縮退拡散モデル (DDPM) に基づく準連続的アプローチを提案する。 2つのグラフェンナノスケールスリット間に閉じ込められた水上でのフレームワークを試験し、トレーニング領域外のチャネル幅の密度分布をアブイニシアト精度で復元できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a data-efficient, multiscale framework for predicting the density profiles of confined fluids at the nanoscale. While accurate density estimates require prohibitively long timescales that are inaccessible by ab initio molecular dynamics (AIMD) simulations, machine-learned molecular dynamics (MLMD) offers a scalable alternative, enabling the generation of force predictions at ab initio accuracy with reduced computational cost. However, despite their efficiency, MLMD simulations remain constrained by femtosecond timesteps, which limit their practicality for computing long-time averages needed for accurate density estimation. To address this, we propose a conditional denoising diffusion probabilistic model (DDPM) based quasi-continuum approach that predicts the long-time behavior of force profiles along the confinement direction, conditioned on noisy forces extracted from a limited AIMD dataset. The predicted smooth forces are then linked to continuum theory via the Nernst-Planck equation to reveal the underlying density behavior. We test the framework on water confined between two graphene nanoscale slits and demonstrate that density profiles for channel widths outside of the training domain can be recovered with ab initio accuracy. Compared to AIMD and MLMD simulations, our method achieves orders-of-magnitude speed-up in runtime and requires significantly less training data than prior works.
• Abstract（参考訳）: ナノスケールにおける閉じ込められた流体の密度分布を予測するための,データ効率・マルチスケールフレームワークを提案する。 精度の高い密度推定では、アブ初期分子動力学(AIMD)シミュレーションではアクセスできない、禁断に長い時間スケールを必要とするが、機械学習分子動力学(MLMD)はスケーラブルな代替手段を提供し、アブ初期精度での力予測を計算コストの低減で実現している。 しかし、MLMDシミュレーションは効率性にもかかわらずフェムト秒の時間ステップによって制約され続けており、精度の高い密度推定に必要な長時間平均計算の実用性は制限されている。 そこで本研究では,制限されたAIMDデータセットから抽出した雑音力に基づいて,拘束方向に沿った力プロファイルの長時間挙動を予測できる条件付き拡散確率モデル(DDPM)を提案する。 予測された滑らかな力は、Nernst-Planck方程式を介して連続体理論と関連付けられ、基礎となる密度の挙動を明らかにする。 2つのグラフェンナノスケールスリット間に閉じ込められた水上でのフレームワークを試験し、トレーニング領域外のチャネル幅の密度分布をアブイニシアト精度で復元できることを実証した。 AIMD や MLMD のシミュレーションと比較して,本手法は実行時のオーダー・オブ・マグニチュード・スピードアップを実現し,従来よりもトレーニングデータを必要とする。

関連論文リスト

• Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations [5.913538953257869]
  機械学習力場(MLFF)は、初期分子動力学(MD)シミュレーションを高速化するための有望なソリューションとして登場した。 本研究では,グラフニューラルネットワークモデルであるGemNet-TをMLFFとして採用し,2つのトレーニング戦略について検討する。 安定なMDシミュレーションでは,低力率の誤差が必ずしも保証されないことがわかった。
  論文  参考訳（メタデータ） (2025-06-17T00:58:56Z)
• In-situ and Non-contact Etch Depth Prediction in Plasma Etching via Machine Learning (ANN & BNN) and Digital Image Colorimetry [4.920922237326715]
  本研究では機械学習(ML)技術に基づく非接触・その場エッチング深度予測フレームワークを提案する。 最初のシナリオでは、プロセスパラメータから平均エッチング深さを予測するために、人工知能ニューラルネットワーク(ANN)が訓練される。 第2のシナリオでは、エッチング深度予測の入力としてデジタル画像色度測定(DIC)からRGBデータを使用することの可能性を示す。
  論文  参考訳（メタデータ） (2025-05-03T14:43:19Z)
• Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
  低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。 我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。 数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-28T16:44:28Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials [25.091146216183144]
  アクティブラーニングは、偏りや偏りのない分子動力学を用いて候補プールを生成する。 既存のバイアスやバイアスのないMDシミュレーション手法は、稀な事象や外挿領域を見逃しがちである。 この研究は、MLIPのエネルギー不確実性に偏ったMDが同時に外挿領域と稀な事象を捉えることを示した。
  論文  参考訳（メタデータ） (2023-12-03T14:39:14Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• ML-LBM: Machine Learning Aided Flow Simulation in Porous Media [0.0]
  多孔質媒質内の流体流動の直接シミュレーションは、合理的な時間枠で解くために重要な計算資源を必要とする。 流体流の予測と直接流シミュレーションを組み合わせた統合手法について概説する。 畳み込みニューラルネットワーク(CNN)に基づくディープラーニング技術により,定常速度場を正確に推定できることが示されている。
  論文  参考訳（メタデータ） (2020-04-22T01:55:59Z)

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。