通过深度学习加速对无序系统的自我一致的场理论模拟

科学领域:

• 聚合物科学和计算材料科学.
• 机器学习在理论物理中的应用.

背景情况:

• 聚合物热力学和自我组装对于先进材料和药物输送至关重要.
• 自相一致的场理论 (SCFT) 是预测聚合物行为的一个强大的工具.
• 标准的SCFT方法面临的计算挑战与复杂的系统,如异构和虫状链.

研究的目的:

• 为SCFT模拟开发一个计算高效的机器学习方法.
• 从潜在场直接预测聚合物密度场,绕过计算上昂贵的传播器计算.
• 为了提高大规模SCFT模拟的速度和可扩展性.

主要方法:

• 将各种神经网络模型集成到SCFT框架中.
• 使用机器学习从潜在场直接预测密度场.
• 用于性能评估的不同神经网络架构的比较分析.
• 专注于高斯链模型,形成无序的,微相分离的结构.

主要成果:

• 为SCFT开发了一种强大且计算效率高的机器学习模型.
• 该模型可实现类似系统大小的3倍以上的加速度,对于较大的系统,可达到100倍.
• 证明了使用深度学习来加速SCFT模拟的可行性.
• 开发的方法显示了扩展到更复杂和计算要求更高的模型的潜力.

结论:

• 机器学习提供了一种可行的策略,可以显著提高SCFT模拟的效率.
• 开发的方法减轻了预测聚合物热力学和自组装的计算瓶.
• 这项工作为在聚合物科学中进行更广泛,更复杂的模拟铺平了道路.