論文の概要: Fast and accurate quasi-atom method for simultaneous atomistic and continuum simulation of solids

• arxiv url: http://arxiv.org/abs/2602.14867v1
• Date: Mon, 16 Feb 2026 16:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.52718
• Title: Fast and accurate quasi-atom method for simultaneous atomistic and continuum simulation of solids
• Title（参考訳）: 高速高精度準原子法による固体の原子・連続シミュレーション
• Authors: Artem Chuprov, Egor E. Nuzhin, Alexey A. Tsukanov, Nikolay V. Brilliantov,
• Abstract要約: 臨界領域における固体の同時原子構造シミュレーションのための新しいハイブリッド手法について報告する。 連続体は、複合媒質からなる異なる大きさの準原子で処理される。 計算速度において,その精度,妥当性,圧倒的な優位性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We report a novel hybrid method of simultaneous atomistic simulation of solids in critical regions (contacts surfaces, cracks areas, etc.), along with continuum modeling of other parts. The continuum is treated in terms of quasi-atoms of different size, comprising composite medium. The parameters of interaction potential between the quasi-atoms are optimized to match elastic properties of the composite medium to those of the atomic one. The optimization method coincides conceptually with the online Machine Learning (ML) methods, making it computationally very efficient. Such an approach allows a straightforward application of standard software packages for molecular dynamics (MD), supplemented by the ML-based optimizer. The new method is applied to model systems with a simple, pairwise Lennard-Jones potential, as well with multi-body Tersoff potential, describing covalent bonds. Using LAMMPS software we simulate collision of particles of different size. Comparing simulation results, obtained by the novel method, with full-atomic simulations, we demonstrate its accuracy, validity and overwhelming superiority in computational speed. Furthermore, we compare our method with other hybrid methods, specifically, with the closest one -- AtC (Atomic to Continuum) method. We demonstrate a significant superiority of our approach in computational speed and implementation convenience. Finally, we discuss a possible extension of the method for modeling other phenomena.
• Abstract（参考訳）: 本報告では, 臨界領域(接触面, 亀裂領域など)における固体の同時原子構造シミュレーションと, その他の部分の連続モデリングのハイブリッド手法について述べる。 連続体は、複合媒質からなる異なる大きさの準原子で処理される。 準原子間の相互作用ポテンシャルのパラメータは、複合媒質の弾性特性と原子の弾性特性とを一致させるために最適化される。 最適化手法は、概念的にはオンライン機械学習(ML)手法と一致し、計算的に非常に効率的である。 このようなアプローチにより、MLベースのオプティマイザによって補完される、分子動力学(MD)のための標準ソフトウェアパッケージの簡単な適用が可能になる。 この新しい手法は、単純でペアワイズなレナード=ジョーンズポテンシャルを持つモデル系や、共有結合を記述する多体テルソフポテンシャルに適用される。 LAMMPSソフトウェアを用いて、異なる大きさの粒子の衝突をシミュレートする。 本手法により得られたシミュレーション結果とフル原子シミュレーションを比較し,その精度,妥当性,計算速度の圧倒的な優位性を実証した。 さらに,本手法を他のハイブリッド手法,特に最も近い-atC (Atomic to Continuum)法と比較する。 我々は,計算速度と実装の利便性において,我々のアプローチの顕著な優位性を示す。 最後に,他の現象をモデル化する手法の拡張の可能性について論じる。

関連論文リスト

• Fast, Modular, and Differentiable Framework for Machine Learning-Enhanced Molecular Simulations [17.013728359262938]
  分子動力学およびモンテカルロシミュレーションのためのエンドツーエンド微分分子シミュレーションフレームワーク(DIMOS)を提案する。 そのモジュール性のおかげで、古典的および機械学習に基づくアプローチは、システムのハイブリッド記述(ML/MM)に簡単に組み合わせることができる。 DIMOSは2次スケーリングではなく2次スケーリングの改善により,古典的な力場シミュレーションにおいて最大170倍の高速化係数を得ることができることを示す。
  論文  参考訳（メタデータ） (2025-03-26T13:39:10Z)
• A Voxel-based Approach for Simulating Microbial Decomposition in Soil: Comparison with LBM and Improvement of Morphological Models [0.0]
  本研究では,有機物の微生物分解をシミュレーションするための新しい計算手法を提案する。 この方法は、変換および拡散過程をシミュレートするために、連結ボクセルの値付きグラフを用いる。 得られたモデルは、多孔質媒体の拡散変換過程をシミュレートするために適応することができる。
  論文  参考訳（メタデータ） (2024-06-06T15:35:25Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
  シミュレーションベース推論のための2つの合成確率法を提案する。 本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。 本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
  論文  参考訳（メタデータ） (2022-10-26T14:38:24Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)

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。