基于深度学习的软物质动力学计算方法：Deep Onsager-Machlup方法
摘要：基于深度学习的计算方法被提出用于软物质动力学——深度Onsager-Machlup方法（DOMM），它将深度神经网络（DNN）的强大能力与基本物理原理——Onsager-Machlup变分原理（OMVP）相结合。在DOMM中，动力学的试验解通过DNN构建，这使得我们能够探索一组丰富且复杂的可行函数。它比Ritz类型的变分方法表现更好，后者需要精心选择试验函数。这种能力赋予DOMM解决涉及多个物理学、多个缓慢变量、多个尺度和多个耗散过程的复杂软物质动力学问题的潜力。实际上，DOMM可以被看作是使用物理模型的变分形式构造的深度Ritz方法的扩展，用于解决物理学中的静态问题，如我们在前期工作中讨论的[Wang et al, Soft Matter, 2022, 18, 6015-6031]。在这项工作中，作为第一步，我们集中验证DOMM作为一种有用的计算方法，通过使用它来解决几个典型的软物质动力学问题：稀溶液中的粒子扩散以及有和无流体力学的两相动力学。预测结果与解析解或传统计算方法的数值解非常一致。这些结果显示DOMM的准确性和收敛性，并证明它作为解决软物质动力学的替代计算方法的合理性。
作者：Zhihao Li, Boyi Zou, Haiqin Wang, Jian Su, Dong Wang and Xinpeng Xu
论文ID：2308.14513
分类：Soft Condensed Matter
分类简称：cond-mat.soft
提交时间：2023-08-29