Un modelo ML explicable para fluidos LJ binarios

Área de la Ciencia:

• Física computacional
• Mecánica estadística
• Ciencias de los materiales

Sus antecedentes:

• Los fluidos de Lennard-Jones (LJ) son modelos fundamentales para las interacciones moleculares.
• Los fluidos LJ binarios ofrecen información sobre mezclas complejas de fluidos y comportamiento de fase.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir las funciones de distribución radial (RDF) en fluidos LJ binarios.
• Evaluar la precisión y las capacidades de extrapolación del modelo ML en diversas condiciones.

Principales métodos:

• Se utilizaron simulaciones de dinámica molecular (DM) para generar datos RDF para mezclas binarias de LJ.
• Se construyó un modelo de aprendizaje automático, discretizando los RDF para reducir la dimensionalidad y mejorar la eficiencia.
• El modelo ML fue entrenado y validado utilizando datos de simulación en diferentes composiciones y temperaturas.

Principales resultados:

• El modelo ML predice con precisión RDF para mezclas de fluidos LJ binarios no vistas anteriormente.
• El modelo demuestra las capacidades de extrapolación dentro del espacio de fase de temperatura de composición.
• El análisis indica que la proporción de tamaño de partícula influye significativamente en la microestructura de la mezcla.

Conclusiones:

• El modelo ML desarrollado es eficaz para predecir RDF en fluidos LJ binarios.
• El estudio pone de relieve la importancia de la proporción de tamaño de partícula en la determinación de la microestructura del fluido.
• Existen limitaciones cuando el modelo ML encuentra regímenes físicos fuera de sus datos de entrenamiento.