基于数据驱动的均聚类模型的最优闭合方法：超越经典的成对近似
摘要：研究称聚类方法对晶格动力学的建模。这种方法描述了不同聚类类型浓度的时间演化，而不是追踪个别晶格点的状态。它导致无限阶的常微分方程体系，必须通过截断使用所谓的闭合条件来关闭。该条件通过较低阶聚类的浓度来近似计算更高阶聚类的浓度。对于闭合的最常见形式是对偶近似。在本文中，我们考虑了它的一般化，称为“最优近似”，并使用可靠的数据驱动策略进行校准。为了引起注意，我们专注于最近提出的镍基氧化物结构晶格模型，类似于现代商用锂离子电池中用作阴极材料的模型。获得的最优近似形式使我们能够推断出一个简单的稀疏闭合模型。除了比经典对偶近似更准确外，这种“稀疏逼近”还具有物理可解释性，使我们能够事后校正构建这类闭合模型的假设。而且，使用这种稀疏逼近关闭的平均聚类模型是线性的，因此可以解析求解，参数化也很简单。另一方面，使用对偶逼近关闭的平均聚类模型的参数化被证明会导致一个不适定的逆问题。
作者：Avesta Ahmadi, Jamie M. Foster and Bartosz Protas
论文ID：2202.13224
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-09-14