数据驱动的构建具有非马尔可夫特征编码的随机简化动力学
摘要：建立分子系统减少动力学的一个重要问题是准确建模由未解决变量的动力学引起的非马尔可夫行为。主要复杂性来自缺乏尺度分离，其中减少的动力学通常具有明显的记忆和非白噪声项。我们提出了一种数据驱动方法来学习多维决定变量的减少模型，以忠实地保留非马尔可夫动力学。与基于直接构建记忆函数的通常方法不同，现在的方法寻求一组编码已解决变量历史的非马尔可夫特征，并在已解决变量和这些特征的扩展马尔可夫动力学方面进行联合学习。训练基于匹配扩展变量的相关函数的演化，这些函数可以直接从已解决变量的函数获得。构建的模型基本上近似于多维广义朗之万方程，并确保数值稳定性而无需经验处理。我们通过构建分子系统的减少模型来证明该方法的有效性，这些模型基于一维和四维已解决变量。
作者：Zhiyuan She, Pei Ge, Huan Lei
论文ID：2210.05814
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2023-02-01