.png){kind=icon}
返回
An Explainable ML Model for Binary LJ Fluids
.png){kind=icon}
PRE
AI
DOI：10.1039/D5SM00198F.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Lennard-Jones (LJ) 流体为理解分子相互作用提供了一个重要的理论框架。二元LJ流体，其中两种不同的粒子种类基于LJ势相互作用，表现出丰富的相行为，并为复杂流体混合物提供了宝贵的见解。在此，我们报告了针对二元LJ流体的机器学习（ML）模型的构建与应用，重点聚焦于该模型在预测不同条件下径向分布函数（RDFs）方面的有效性。通过分子动力学（MD）模拟收集了具有不同组成和温度的二元混合物的RDFs，以建立和验证ML模型。在该ML流程中，RDFs被离散化以减少模型的输出维度。这反过来提高了模型的有效性，并降低了ML RDF模型的复杂性。该模型被证明能非常准确地预测许多未知混合物的RDFs。此外，我们还报告了该模型在二元LJ流体的多相组成-温度空间中进行外推的能力。我们的ML模型表明，粒子尺寸比对二元混合物的微观结构具有主导影响。该工作突出了当ML模型遇到由未在训练数据中体现的不同基础物理机制支配的新领域时，其存在的局限性。
Keyword:
Lennard-Jones fluids
binary mixtures
radial distribution function
machine learning
molecular dynamics
期刊
IF:
2.8
论文数:
1.4K
被引数:
4.0W
机构
暂无机构信息
引用论文
Unsupervised learning of sequence-specific aggregation behavior for a model copolymer.png)
Soft Matter
OAAI
Soft MatterIF0
OAAI分享收藏分享收藏An Artificial Neural Network Reveals the Nucleation Mechanism of a Binary Colloidal AB13 Crystal人工神经网络揭示了二元胶体AB13晶体的成核机理ACS NANOOAAI
ACS NANOIF16
OAAI分享收藏Machine learning approaches for structural and thermodynamic properties of a Lennard-Jones fluidOAAI
OAAI分享收藏
查看更多内容