Spherical Metadensity
Functional Learning for Inhomogeneous
Classical Fluids

Stefanie M. Kampa

doi:10.1021/acs.jctc.6c01186

Spherical Metadensity Functional Learning for Inhomogeneous Classical Fluids

0

PRE

AI

DOI：10.1021/acs.jctc.6c01186

原文链接

原文求助

摘要

En 中文

我们开发经典密度泛函学习以解决三维球面几何中具有截断成对粒子间相互作用的流体。对于具有随机排斥成对势的系统的模拟数据为神经元元密度泛函的监督训练提供了基础，从而通过测试粒子路径高效利用了体流体中径向分布函数的结果。具体而言，我们开发了球面局部学习，以通过神经网络表示单粒子直接相关泛函，该神经网络捕获了空间曲率效应以及元密度泛函对热缩放成对势的依赖性。该框架为流体和通用溶剂在吸附于曲面对溶剂和限制在球形及平面空腔内时产生的非均匀结构和相关物理现象提供了高效访问。测试粒子设置有助于准确预测体流体的成对结构和通过泛函线积分验证热力学测试粒子求和规则。应用元密度泛函进行亨德森反演可以从体径向分布函数中准确推断出成对势。我们探讨了几何设置对二体量的影响，并通过自动微分获得了二体直接相关泛函。对于硬球流体，我们将元密度泛函预测与具有固定成对势的标准神经密度泛函的结果以及由基本量度理论给出的解析泛函进行了比较确认。模拟结果提供了进一步的参考，并证实了球面神经元元密度泛函在广泛应用范围内可靠的结果。

Spherical Metadensity Functional Learning for Inhomogeneous Classical Fluids

摘要

期刊

机构

引用论文