arrow
返回

Machine Learning-based Colloidal Soft Materials

delete2026-10-29
delete0
PRE
AI
R
Ramón A. Castañeda-Cerdán
A
Alexis Torres-Carbajal
E
Edwin A. Bedolla-Montiel
R
Ramón Castañeda-Priego
DOI:10.1016/j.cocis.2026.102077delete
delete原文链接
delete分享
delete收藏
摘要

摘要

En 中文
机器学习正通过提供连接微观相互作用与涌现结构、热力学、动力学和材料功能的新途径,迅速改变胶体软物质领域。本文综述了机器学习与胶体科学交叉领域的最新进展,涵盖了胶体合成与表征、有效相互作用推断、液态理论、热力学、动力学、流变学及非平衡现象。我们考察了现代学习框架(包括图神经网络、生成模型和物理信息神经网络)如何被用于加速材料发现、自动化结构分析、构建粗粒化相互作用模型,以及预测各类胶体系统的平衡与非平衡行为。除预测性能外,我们关注机器学习方法提供的物理见解,并批判性地评估其可解释性、可转移性和与现有理论框架的一致性。特别关注了机器学习辅助的粗粒化方法、数据驱动和物理信息驱动的液态理论求解、结构及动力学描述符的发现,以及其计算增益针对特定结构和热力学可观测量进行评估的代理模型。在综述的研究中,一个反复出现的主题是:进展更多源于开发具有物理意义的描述符和表示方法(这些方法能捕捉调控胶体行为的关联多体相关性),而非单纯增加模型复杂度。我们主张,机器学习在胶体软物质领域的下一阶段进展将取决于物理知识的整合、可解释的学习策略以及严格的误差量化。综合来看,这些研究展示了机器学习在支持物理诠释和胶体材料设计方面的潜力,同时强调了独立验证的必要性。
Keyword:
Machine Learning
Colloidal Soft Matter
Coarse-Grained Modeling
Physical Interpretability
Liquid-State Theory

期刊

C
CURRENT OPINION IN COLLOID & INTERFACE SCIENCE
IF:
7
论文数:
61
被引数:
30

机构

U
Utrecht University
学者数:
2.0K
论文数: 808
被引数: 4.3W
U
universidad autonoma metropolitana iztapalapa
学者数:
9
论文数: 9
被引数: 1
U
Universidad de Guanajuato
学者数:
107
论文数: 57
被引数: 939
F
forschungszentrum juelich gmbh
学者数:
33
论文数: 16
被引数: 22
学者 查看更多机构
引用论文

引用论文

暂无论文信息