粗粒化原子模拟的流形学习：应用于非晶固体
摘要：用广义机器学习框架介绍了一种基于粗粒化原子模拟数据的非线性偏微分方程概率参数化高尺度模型的方法。所提出的框架利用一种假设的粗粒化方法，结合流形学习和代理优化技术。描述多尺度模型感兴趣数量的高维粗粒化数据被投影到非线性流形上，其几何和拓扑结构被用于测量流形距离形式的行为差异。使用高斯过程回归构建代理模型，以识别随机参数和距离之间的映射关系。采用无导数优化来自适应地识别能够快速复现系统行为并保持与粗粒化原子级仿真一致性的上尺度模型的唯一参数集。所提出的方法被应用于学习描述非晶态固体中塑性变形的剪切转变区（STZ）理论的参数，以及实现原子和连续表征之间的粗粒化参数。我们表明，该方法能够成功地将粗粒化微观模拟与宏观可观测量联系起来，并在不同尺度之间实现高度的一致性。
作者：Katiana Kontolati, Darius Alix-Williams, Nicholas M. Boffi, Michael L. Falk, Chris H. Rycroft, Michael D. Shields
论文ID：2103.00779
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-05-20