SediFoam: A general-purpose, open-source CFD-DEM solver for particle-laden flow with emphasis on sediment transport
随着计算资源的不断丰富，计算流体动力学-离散单元法（CFD-DEM）成为泥沙运动研究中一种越来越有前途和可行的方法。现有的几种CFD-DEM求解器在化工和采矿工业中得到了应用。然而，一个强大的CFD-DEM求解器模拟泥沙输运仍然是可取的。在这项工作中，详细介绍了三维，大规模并行和开源CFD-DEM求解器SediFoam的开发。该求解器基于开源求解器OpenFOAM和LAMMPS构建。OpenFOAM是一个CFD工具箱，可以在非结构化网格上执行三维流体流动模拟; LAMMPS是一个用于分子动力学的大规模并行DEM求解器。SediFoam的几个验证测试使用各种复杂的情况下进行。在本模拟中得到的结果是一致的，在文献中，这表明了沉积物输运应用的Sedifoam的能力。除了验证测试之外，还研究了SediFoam的并行效率，以测试代码在大规模和复杂模拟中的性能。并行效率测试表明，SediFoam的可扩展性是令人满意的模拟使用O（10^7）粒子。
2016-01-15 physics.comp-ph physics.flu-dyn physics.geo-ph
Physics Informed Neural Network-based Computational Method for Accelerating Time-Periodic Unsteady CFD Simulations
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出了一种基于物理信息神经网络的周期性流体动力学方法，旨在通过无网格的PINN求解器显著减少计算时间，从而加速时间周期性非稳态流体动力学仿真的计算过程。
2026-05-18 physics.comp-ph physics.flu-dyn
Numerical investigation of erosive wear considering surface degradation using coupled CFD-DEM and a bond model
本研究提出一种耦合CFD-DEM与键合模型的三维模拟方法，通过离散化固体并引入键合网络，在考虑表面变形与退化累积的同时，实现流体、结构与颗粒三方相互作用的侵蚀磨损预测，并在层流和湍流中验证了与传统CFD的一致性。
2025-02-15 physics.comp-ph physics.flu-dyn
A fast approach to estimating Windkessel model parameters for patient-specific multi-scale CFD simulations of aortic flow
计算流体动力学（CFD）模拟的主动脉血流动力学可以提供相关心血管疾病的综合分析。将三元件Windkessel模型与患者特定CFD模拟耦合以形成多尺度模型是捕获更真实流场的趋势方法。然而，一组参数（例如，Windkessel模型的R_c、R_p和C）需要逐个调整以反映患者特定的流动条件。在这项研究中，我们提出了一种快速的方法来估计这些参数在生理和病理条件下。该方法包括以下步骤：（1）通过稳态CFD模拟确定各分支的几何阻力;（2）通过求解考虑几何阻力的流路系统，利用模式搜索算法搜索参数空间;（3）利用优化的Windkessel模型参数进行主动脉血流的多尺度建模。通过一系列数值实验验证了该方法的灵活性和鲁棒性，包括健康主动脉几何形状或狭窄几何形状的每个下游分支的生理和病理流量分布。本研究证明了一种灵活且计算效率高的方法来捕获主动脉中的患者特定血流动力学，从而促进主动脉血流的个性化生物力学分析。
2022-07-12 physics.comp-ph physics.flu-dyn
Exploiting repeated matrix block structures for more efficient CFD on modern supercomputers
Heat and Mass Transfer Technological Centre, Technical University of Catalonia（热质传输技术中心，加泰罗尼亚理工大学）；Department of Information Engineering, University of Padova（帕多瓦大学信息工程系）；High Performance Computing and Visualiztion Team, SURF（SURF高性能计算与可视化团队）
提出通过将稀疏矩阵向量积转化为稀疏矩阵矩阵积并采用网格细化策略，提高CFD计算强度，在多个测试案例中实现显著加速。
2026-04-29 physics.comp-ph physics.flu-dyn
Study of sedimentation of non-cohesive particles via CFD-DEM simulations
颗粒物的沉降过程普遍存在于自然界和许多涉及固液分离的领域。采用计算流体动力学与离散元耦合方法（CFD-DEM）研究了非粘性颗粒的沉降过程，包括受阻沉降阶段和沉积阶段。首先，通过不同悬浮液固体体积浓度（0.05~0.6）下的受阻沉降速度对CFD-DEM耦合沉降模型进行了验证。通过浓度剖面和等浓度线，还可以看出两种典型的沉降模式。然后，单分散和多分散颗粒系统之间的比较进行了详细的。模拟了多分散颗粒体系沉降过程中的分凝现象。随着悬浮液初始固相浓度的增加，这种偏析效应减弱。从模拟结果中可以得到每对颗粒之间的接触力，从而从颗粒接触力的角度论证了“有效应力原理”，给出了颗粒接触力与土力学中“有效应力”这一关键概念的对应关系。我们还证明了有效应力原理从接触力作用在颗粒上。此外，还可以用CFD-DEM方法模拟泥沙的淤积阶段，从而研究不同条件下的床面固相浓度。根据最大固相浓度的模拟结果和沉降理论，本文还讨论了两种典型沉降模式的沉降结束临界时间的计算方法。
2017-11-05 physics.comp-ph physics.flu-dyn physics.geo-ph
SmartFlow: A CFD-solver-agnostic deep reinforcement learning framework for computational fluid dynamics on HPC platforms
本研究提出CFD求解器无关的深度强化学习框架SmartFlow，依托SmartRedis-MPI等库实现HPC平台下求解器与DRL算法的高效通信，通过三类流动控制与建模案例验证了其通用性，可加速强化学习驱动的流体力学研究。
2025-08-01 physics.comp-ph physics.flu-dyn
A Validation and Uncertainty Quantification Framework for Eulerian-Eulerian Two-Fluid-Model based Multiphase-CFD Solver. Part II: Applications
本文是两部分系列的第二部分，介绍并演示了验证和不确定性量化（VUQ）框架，该框架有两个主要目的：i）。量化闭合关系参数和多相计算流体动力学（MCFD）求解器的预测的不确定性; ii）.评估求解器预测与实验测量之间的一致性。论文第一部分概述了本文的研究框架，以及相应的理论和方法.在本文中，该框架的工作流程的实施和证明了两个相关的案例研究：过冷沸腾流和绝热泡状流的壁面沸腾传热。通过两种不同的全局敏感性分析（GSA）方法：莫里斯筛选和Sobol指数的影响关闭关系参数的多个感兴趣的量（QoIs）。利用模块化贝叶斯方法对相关闭合关系的模型形式不确定性和模型参数不确定性进行了评估。通过将获得的不确定性传播通过求解器来量化QoS的不确定性。使用两种不同的验证度量：置信区间和面积度量来评估求解器预测的QoIs和实验测量之间的一致性。结果表明，该框架的适用性。
2018-10-22 physics.comp-ph physics.flu-dyn
Computational Fluid Dynamics and Discrete Dipole Approximation Applied to Predict Airborne Viruses Disinfection by Ultraviolet Irradiation
CNRS, CORIA, UMR 6614, University of Rouen Normandy（法国国家科学研究中心，CORIA，联合研究单位6614，诺曼底鲁昂大学）
该研究提出CFD-DDA平台，耦合DDA求解器预测紫外线散射、CFD求解器预测飞沫蒸发传输，量化多种因素对病毒存活数的影响，提出新病毒灭活模型Dbouk-Yurkin定律，为紫外线空气消毒研究及系统优化提供有力框架。
2026-11-03 physics.comp-ph physics.flu-dyn
CFDNet: a deep learning-based accelerator for fluid simulations
University of California, Irvine（加州大学欧文分校）；Advanced Micro Devices, Inc.（超威半导体公司）
计算流体动力学被广泛用于物理系统设计和优化，它被用来预测感兴趣的工程量，如飞机机翼上的升力或汽车上的阻力。然而，由于计算流体动力学模拟评估的费用，许多感兴趣的系统对于设计优化来说过于昂贵。为了使计算易于处理，降阶或代理模型用于加速模拟，同时尊重由高保真度解决方案提供的收敛约束。本文介绍了CFDNet --一个物理模拟和深度学习耦合的框架，用于加速雷诺平均Navier-Stokes模拟的收敛。CFDNet旨在预测流体的主要物理特性，包括速度，压力和涡流粘度，其核心是单个卷积神经网络。我们在各种用例上评估CFDNet，包括外推和插值，其中在训练期间观察/不观察测试几何。我们的研究结果表明，CFDNet满足特定领域的物理求解器的收敛约束，同时在稳定层流和湍流上的性能优于它1.9 - 7.4倍。此外，我们通过测试CFDNet对训练过程中看不到的新几何形状的预测来证明CFDNet的泛化能力。在这种情况下，该方法满足计算流体动力学收敛标准，同时仍然提供了显着的加速比传统的域只模型。
2020-05-09 cs.LG physics.comp-ph physics.flu-dyn
Sediment Micromechanics in Sheet Flows Induced by Asymmetric Waves: A CFD-DEM Study
了解振荡流中的沉积物输运对于调查沿海地区的总体沉积物预算至关重要。在工程应用中，海岸线形态变化的预测是至关重要的。由于振荡流中的泥沙输运是稠密的颗粒流，因此颗粒相互作用的适当建模是至关重要的。虽然传统的双流体方法已被应用于振荡流中泥沙输移的研究，但这些方法没有解决颗粒之间的相互作用。振荡水流中泥沙运动的颗粒分辨模型和泥沙颗粒的细观力学研究还很缺乏。在这项工作中，一个并行的CFD-DEM求解器，可以解决颗粒间的碰撞被应用于研究泥沙颗粒在振荡流中的细观力学。利用粗砂和中砂的试验数据对CFD-DEM求解器的计算结果进行了验证。与试验结果的比较表明，用该模型计算的流速、输沙通量和净输沙率是令人满意的。此外，详细介绍了沉积床的微观力学量，包括Voronoi浓度、配位数和颗粒相互作用力。结果表明，这些细观力学量在振荡周期的不同阶段的变化是显着的，这是由于不同的床的响应。为了研究沉积物床的结构特性，Voronoi体积分数和配位数的相关性进行了比较，从流化床模拟的结果。结果表明，尽管流态不同，但输沙和流化床的微观结构相似。
2016-05-27 physics.comp-ph physics.flu-dyn physics.geo-ph
Mean Mesh Adaptation for Efficient CFD Simulations with Operating Conditions Variability
针对运行条件连续变化导致逐条件网格自适应代价高昂的问题，提出构建最小化平均误差的唯一自适应网格，并在Burgers方程和Euler超燃冲压发动机流动中验证其效果。
2024-12-02 physics.comp-ph physics.flu-dyn
Evaluating Uncertainties in CFD Simulations of Patient-Specific Aorta Models using Grid Convergence Index Method
本研究使用网格收敛指数（GCI）方法评估患者特异性主动脉模型CFD模拟中的不确定性，发现多面体网格在精度与计算成本间取得最佳平衡，为动脉瘤CFD模拟的网格选择提供了系统方法。
2023-09-11 physics.comp-ph physics.flu-dyn
Computational modelling of gas-liquid-solid multiphase free surface flow with and without evaporation
本文提出改进的解析CFD-DEM框架和毛细力模型，以模拟有无蒸发条件下的气液固自由表面流动，并通过基准验证和液滴蒸发算例展示其准确性。
2023-07-18 physics.comp-ph physics.flu-dyn
On the verification of CFD solvers of all orders of accuracy on curved wall-bounded domains and for realistic RANS flows
本文旨在将代码验证方法扩展到曲壁边界域上的高阶精度格式实现以及真实的湍流，例如由雷诺平均Navier-Stokes（RANS）方程建模的平板边界层。两个新的制造解决方案（MS）的介绍证明有能力验证处理的滑移和无滑移边界条件的高阶框架上的弯曲域。这些MS也用于讨论边界法线计算方法对壁处解的精度阶数（OOA）的影响。此外，两个湍流边界层MS从文献中，设计来模仿真正的功能，RANS模型化的流动在附近的墙壁，比较其适用性，以实现高阶精度。通过这些实例探讨了Spalart-Allmaras（SA）湍流模型源项在壁面处的极限值、修正SA模型修正涡量项的验证、壁面湍流的网格敏感性、用解决方案验证代替代码验证的不足和非通过残差收敛最小化迭代误差的解决方案的维数。在所有情况下，演示进行的精度顺序高达六分之一。
2017-12-29 physics.comp-ph physics.flu-dyn
A co-located partitions strategy for parallel CFD-DEM couplings
在这项工作中，一个新的分区配置策略的并行执行的CFD-DEM耦合进行了研究。具有良好的并行性能是欧拉-拉格朗日软件的一个关键问题，该软件旨在应用于解决工业上重要的问题，因为这些耦合的计算成本是它们的主要缺点之一。这里提出的方法包括在同一MPI进程中的每个软件的仿真域的重叠部分，以减少数据交换的成本。它示出了这种策略如何允许减少内存消耗和CFD和DEM之间的进程间通信到最低限度，从而克服了文献中确定的一个重要的并行化瓶颈。提出了三个基准来评估这种方法的一致性和可扩展性。在280个核心上的耦合执行表明，不到0.1%的时间用于执行物理间数据交换。
2018-02-14 cs.CE physics.comp-ph
Realistic Representation of Grain Shapes in CFD--DEM Simulations of Sediment Transport: A Bonded-Sphere Approach
在过去的几十年里，算法的发展和计算资源的增长使得泥沙输运过程的模拟具有前所未有的灵活性。计算流体动力学-离散元方法（CFD-DEM）是高保真度的方法之一，它解决了沉积物颗粒的运动、碰撞及其与周围流体的相互作用。在大多数DEM解算器中，由于计算效率和实现复杂性的考虑，颗粒被建模为软球，尽管天然沉积物通常是非球形颗粒的混合物。以前尝试扩展基于球的DEM来处理不规则颗粒，忽略了颗粒上的流体引起的扭矩，并且该方法缺乏处理具有任意颗粒形状混合物的沉积物的灵活性。在这篇文章中，我们提出了一个简单，有效的方法来表示常见的沉积物颗粒形状与结合的球体，计算流体力，并施加在每个球体上。所提出的方法克服了现有方法的上述局限性，并提高了现有方法的效率和灵活性。通过数值模拟，验证了该方法在预测天然泥沙的下落特性、终极速度、起动阈值和输沙率等方面的优越性和有效性。模拟结果表明，该方法是一种很有前途的方法，忠实地代表天然泥沙，从而导致其输运动力学的准确模拟。所提出的方法也打开了基于第一性原理的模拟粘性沉积物的絮凝和沉积动力学的可能性。阐明这些物理机制，可以提供急需的改进的预测能力和物理理解的泥质海岸动力学。
2016-08-03 physics.comp-ph physics.flu-dyn physics.geo-ph
Computational coarse graining of a randomly forced 1-D Burgers equation
我们探讨了一种计算方法粗粒化的随机强迫Burgers方程在一个空间维度的大规模功能的演变。溶液能谱的长期演化在时间上表现出自相似性。我们展示了粗投影积分和粗动态重正化的工具，加速提取的宏观信息（整合时间，自相似的形状，和非平凡的动态指数）从适当初始化的直接模拟的短脉冲。这些程序解决了数值有效的演化方程的能量谱，而无需导出这个方程的封闭形式。
2007-07-03 physics.comp-ph
Deep Learning Interfacial Momentum Closures in Coarse-Mesh CFD Two-Phase Flow Simulation Using Validation Data
Idaho National Laboratory（爱达荷国家实验室）；Massachusetts Institute of Technology（麻省理工学院）；North Carolina State University（北卡罗来纳州立大学）
多相流现象在工业应用中已被广泛观察到，但它仍然是一个具有挑战性的尚未解决的问题。三维计算流体动力学（CFD）方法在更精细的空间和时间尺度上解析流场，这可以补充专门的实验研究。然而，必须引入封闭件以反映多相流中的基本物理特性。其中，界面力包括阻力、升力、惯性分散力和壁面润滑力，对汽液两相流中气泡的分布和迁移起着重要的作用。传统上，这些封闭件的开发依赖于实验数据和分析推导，并具有简化的假设，这些假设通常不能在广泛的流动条件下提供通用的解决方案。本文提出了一种基于数据驱动的特征相似性度量方法（FSM），并将其应用于提高粗网格CFD方法对两相流的模拟能力。绝热泡状流中的界面动量传递是本研究的重点。一个成熟的和一个简化的界面封闭集被视为低保真数据。采用验证数据（包括相关实验数据和验证的细网格CFD模拟结果）作为高保真数据。本文进行了定性和定量分析。这些结果表明，FSM可以大大提高粗网格计算流体动力学模型的预测，无论界面封闭的选择，它提供了跨不连续流态的可扩展性和一致性。它表明，数据驱动的方法可以通过探索局部物理特征和模拟误差之间的联系来辅助多相流建模。
2020-05-07 cs.LG physics.comp-ph physics.flu-dyn
Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations
INRIA（法国国家信息与自动化研究所）；LISN（计算机科学与数值分析实验室）；Université Paris-Saclay（巴黎萨克雷大学）；IFPEN（法国石油与新能源研究院）
流体体积法（VoF）被广泛应用于多相流模拟中，用于跟踪和定位两种不混溶流体之间的界面。VoF方法的一个主要瓶颈是界面重建步骤，由于其高计算成本和非结构化网格上的低精度。提出了一种基于图神经网络（GNN）的机器学习增强VoF方法，用于加速一般非结构网格上的界面重构。首先，我们开发了一种方法来生成一个合成的数据集的基础上抛物面离散非结构化网格。然后，我们训练一个基于GNN的模型，并进行泛化测试。我们的研究结果表明，在工业环境中的多相流模拟的界面重建的GNN为基础的方法的效率。
2022-07-12 cs.LG physics.comp-ph physics.flu-dyn
Embedding Hard Physical Constraints in Neural Network Coarse-Graining of 3D Turbulence
近年来，深度学习方法在物理科学中的复杂系统建模方面表现出了很大的潜力。PDE深度学习的一个主要挑战是强制执行物理约束和边界条件。在这项工作中，我们提出了一个通用的框架，直接嵌入到卷积神经网络的不可压缩流体的概念，并将其应用到粗粒化的湍流。这些物理嵌入式神经网络利用数值方法和计算流体动力学的可解释策略，通过利用基础方程的数学特性来执行物理定律和边界条件。我们展示了三维充分发展的湍流的结果，表明这种技术大大提高了当地的质量守恒，而不牺牲性能根据其他几个指标表征流体流动。
2020-02-15 physics.comp-ph
Deep Neural Networks to Correct Sub-Precision Errors in CFD
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Tokyo Institute of Technology（东京工业大学）；Japan Science and Technology Agency（日本科学技术振兴机构）
在求解离散偏微分方程时，数值物理模拟中的信息丢失可能来自各种来源。特别地，与等效的64位模拟相比，当使用低精度16位浮点运算执行模拟时，与数值精度相关的误差（“亚精度误差”）可以在感兴趣的量中累积。另一方面，低精度计算比高精度计算更少占用资源。最近提出的几种机器学习技术已经成功地纠正了由于粗糙的空间离散化引起的错误。在这项工作中，我们扩展这些技术，以提高CFD模拟进行低数值精度。我们量化的精度相关的误差累积在Kolmogorov强迫湍流测试情况下。随后，我们采用卷积神经网络与执行16位算法的完全可微数值求解器一起学习紧密耦合的ML-CFD混合求解器。与16位求解器相比，我们证明了混合求解器对提高模拟的统计和逐点精度的各种指标的有效性。
2022-09-25 cs.LG cs.NA math.NA
Propagation of Input Uncertainty in Presence of Model-Form Uncertainty: A Multi-fidelity Approach for CFD Applications
计算模拟中不确定性的适当量化和传播至关重要。这个问题对于CFD应用尤其具有挑战性。计算流体力学问题中不确定性量化的一个特殊障碍是与用于不确定性传播的计算流体力学模型相关的大模型差异。忽略或不正确地表示模型差异会导致感兴趣的不确定性分布不准确和扭曲。高保真度模型，准确但昂贵，只能容纳一个小的合奏模拟，从而导致大的插值误差和/或采样误差;低保真度模型可以传播一个大合奏，但可以引入大的建模误差。在这项工作中，我们提出了一个多模型的策略，以考虑模型差异的影响，在不确定性传播，并减少其对预测的影响。具体来说，我们利用多个qualityCFD模型来估计与参数空间中的低保真度模型相关的模型差异。采用高斯过程来构造模型差异函数，并使用贝叶斯方法来推断不进行高保真模拟的参数空间区域中的差异和相应的不确定性。所提出的多模型策略结合了来自具有不同复杂性和计算成本的模型的信息，并且对于CFD应用是特别相关的，其中存在具有广泛复杂性的模型的层次结构。几个相关的CFD应用程序的例子来证明所提出的策略的优点。仿真结果表明，通过结合低和高保真模型，所提出的方法产生更好的结果比任何一个模型可以单独实现。
2017-03-27 physics.comp-ph physics.data-an
A Full-Induction Magnetohydrodynamics Solver for Liquid Metal Fusion Blankets in Vertex-CFD
UT-Battelle, LLC（UT-Battelle有限责任公司）
本研究针对液态金属聚变包层瞬态场景的模拟需求，在开源Vertex-CFD框架中实现了基于有限元、隐式Runge--Kutta法和非精确牛顿法的全感应MHD求解器，经基准验证和模型测试证明其准确可靠，为相关瞬态多物理场模拟奠定了基础。
2025-11-19 physics.comp-ph
Tensor network algorithm by coarse-graining tensor renormalization on finite periodic lattices
我们发展了粗粒度张量重整化群算法来计算有限周期晶格上二维晶格模型的物理性质。介绍了基于张量重整化群和基于高阶张量重整化群的两种粗粒化策略。为了对张量网络模型进行全局优化，在第二重整化群的框架下，提出了一个考虑环境张量重整化效应的扫描方案.我们证明了算法的经典伊辛模型上的正方形格子和Kitaev模型上的蜂窝格子，并表明，有限尺寸的算法实现了更准确的结果比相应的无限尺寸的。
2015-10-12 cond-mat.stat-mech cond-mat.str-el physics.comp-ph
Information-theoretic tools for parametrized coarse-graining of non-equilibrium extended systems
在本文中，我们专注于发展新的方法，适用于有效和可靠的粗粒化的{ \it非平衡}分子系统。在这方面，我们提出了基于路径空间信息理论的误差估计和控制保真度模型降阶方法，并将其与非平衡平稳过程速率的统计参数估计相结合。我们提出的方法扩展了现有的基于信息的方法的适用性，用于导出参数化粗粒度模型的非平衡态系统（NESS）。在粗粒度的上下文中，它允许构造最佳的参数化马尔可夫粗粒度动态，通过最小化路径空间上的信息损失（由于粗粒度）。此外，相关的路径空间Fisher信息矩阵可以提供相应的参数估计的置信区间。我们证明了所提出的粗粒化方法在一个非平衡系统中的扩散相互作用的粒子，驱动的平衡边界条件。
2013-07-30 cs.IT math.IT physics.comp-ph
The XDEM Multi-physics and Multi-scale Simulation Technology: Review on DEM-CFD Coupling, Methodology and Engineering Applications
Université du Luxembourg（卢森堡大学）
本文综述了XDEM多物理场与多尺度模拟技术，结合欧拉和拉格朗日方法，拓展了DEM与CFD的耦合应用，用于颗粒物热力学状态预测，应用于制药、农业、采矿等多个领域。
2018-08-24 cs.CE cs.NA math.NA
A Posteriori Evaluation of a Physics-Constrained Neural Ordinary Differential Equations Approach Coupled with CFD Solver for Modeling Stiff Chemical Kinetics
Transportation and Power Systems Division, Argonne National Laboratory（阿贡国家实验室交通与动力系统分部）；Department of Mechanical Engineering, North Carolina State University（北卡罗来纳州立大学机械工程系）
本文提出在 NeuralODE 训练损失中加入总质量与元素质量守恒约束的 PC-NODE，并通过氢空气自燃及三维 CFD 耦合后验实验验证其精度、鲁棒性与泛化能力。
2024-03-04 cs.LG physics.chem-ph physics.comp-ph
Progress in deep Markov State Modeling: Coarse graining and experimental data restraints
深度学习框架的最新进展为分析蛋白质等复杂系统的长期行为建立了有价值的工具。特别是纳入物理限制，例如时间可逆性，是使这些方法适用于生物物理系统的关键步骤。此外，我们提出的方法，将实验观测到的模型估计表明，模拟数据中的偏差可以补偿。我们进一步开发了一个新的神经网络层，以建立一个分层模型，允许不同层次的细节进行研究。最后，我们提出了一个注意机制，突出了重要的残基的分类到不同的状态。我们展示了一个超长的分子动力学模拟的Villin头部miniprotein的新方法。
2021-08-04 physics.comp-ph q-bio.QM
Anisotropic molecular coarse-graining by force and torque matching with neural networks
本文提出一种基于力与力矩匹配的神经网络粗粒化方法，通过各向异性粒子建模凝聚相分子体系，在苯和六噻吩上以更低计算成本实现了接近全原子精度的结构与相变预测。
2023-01-26 cond-mat.stat-mech physics.comp-ph
Rapid Discovery of Stable Materials by Coordinate-free Coarse Graining
材料科学的一个基本挑战是阐明化学计量、稳定性、结构和性质之间的关系。最近的进展表明，机器学习可以用来学习这种关系，从而可以准确预测材料的稳定性和功能特性。然而，大多数这些方法使用原子坐标作为输入，因此在研究新材料时受到晶体结构鉴定的瓶颈。我们的方法解决了这个瓶颈，粗粒度的无限搜索空间的原子坐标到一个combinatorially可重复的搜索空间。其关键思想是使用Wyckoff表示-晶体中与晶体相关的位置的无坐标集-作为机器学习模型的输入。我们的模型在发现新的理论上稳定的材料方面表现出极高的精度，仅从5，675个从头计算中识别出1，569种位于先前计算材料的已知凸包之下的材料。我们的方法开辟了计算材料发现的根本性进展。
2022-03-15 cond-mat.mtrl-sci physics.comp-ph
Invariance of experimental observables with respect to coarse-graining in standard and many-body dissipative particle dynamics
耗散粒子动力学（DPD）是一种成熟的中尺度模拟方法。然而，长期以来一直存在着关于其（纯排斥）力场参数对温度的依赖性以及由此产生的实验观测值，如扩散率或表面张力，与粗粒化（CG）程度的变化的模糊性。在这里，我们重新审视CG度的作用，并重新推导出标准DPD模拟中的温度依赖性。因此，我们推导出一个缩放的输入变量，使系统属性不变的CG度，并说明了该方法的通用性，通过计算二元溶剂混合物的表面张力。然后，我们将此程序扩展到多体耗散粒子动力学（MDPD），并通过计算相同的混合物在CG度的范围内的表面张力，证明了这种较新的方法，这还没有被广泛应用到目前为止，也能够模拟复杂的流体的实际利益。
2019-02-21 physics.chem-ph physics.comp-ph
A novel machine learning enabled hybrid optimization framework for efficient and transferable coarse-graining of a model polymer
这项工作提出了一个新的框架，管理开发一个有效的，准确的，可转移的粗粒度（CG）模型的聚醚材料。建议的框架结合了两个根本不同的经典优化方法的粗粒度模型参数的发展，即自下而上和自上而下的方法。这是通过将优化算法集成到使用分子动力学（MD）模拟数据训练的机器学习（ML）模型中来实现的。在自下而上的方法中，CG模型的键合相互作用使用深度神经网络（DNN）进行优化，其中原子键合分布相匹配。原子分布模拟了局部链结构。在自上而下的方法中，非键合电位的优化是通过再现温度依赖的实验密度来完成的。我们证明了通过我们的机器学习实现的混合优化框架实现的CG模型参数满足与粗粒度模型聚合物的经典方法相关的热力学一致性和可转移性问题。我们证明了开发的CG模型的效率，准确性和可转移性，使用我们的新框架，通过准确的预测链的大小以及链动力学，包括玻璃化转变温度，扩散和应力松弛谱的限制行为，其中没有包括在潜在的参数化过程。预测的性能的准确性进行评估的分子理论和现有的实验数据的背景下。
2022-04-28 physics.chem-ph physics.comp-ph
Incorporating physical constraints in a deep probabilistic machine learning framework for coarse-graining dynamical systems
基于数据发现高维动力系统的有效粗粒度（CG）模型是计算物理中的一个独特挑战，特别是在多尺度问题的背景下。本文件提供了一个基于数据的，概率的角度来看，使量化的预测不确定性。其中一个突出的问题是在概率机器学习目标中引入物理约束。这些约束的主要效用源于它们所代表的无可争议的物理定律，例如质量守恒、能量守恒等。此外，除了导致物理上现实的预测，它们可以显着减少所需的训练数据量，这对于高维，多尺度系统是昂贵的获得（小数据制度）。我们制定粗粒化过程采用概率状态空间模型，并考虑上述等式约束作为相关密度中的虚拟观测量。我们演示了如何使用概率推理工具来识别粗粒度变量，并结合深度神经网络及其演化模型，而无需定义细到粗（限制）投影，也无需状态变量的时间导数。此外，它能够重建完整的，精细尺度系统的演化，因此，感兴趣的观测量不需要事先选择。我们证明了所提出的框架的有效性，将其应用到系统的相互作用的粒子和图像系列的非线性摆。
2020-05-13 physics.comp-ph stat.ML
Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics
机器学习的粗粒度（CG）模型具有模拟大分子复合物的潜力，超出了原子分子动力学的可能性。然而，训练准确的CG模型仍然是一个挑战。一种广泛使用的学习CG力场的方法将来自全原子分子动力学的力映射到CG表示，并将它们与平均CG力场相匹配。我们表明，有灵活性，如何映射到CG表示的所有原子的力量，最常用的映射方法是统计效率低下，甚至可能不正确的存在约束的所有原子模拟。我们定义了一个优化语句的力映射，并表明，大大改善CG力场可以从相同的模拟数据时，使用优化的力映射。该方法在微蛋白Chignolin和Tryptophan Cage上进行了演示，并作为开源代码发布。
2023-02-14 physics.bio-ph physics.chem-ph physics.comp-ph
Coarse-graining bistability with the Martini force field
本文提出短吡啶-呋喃弹簧的Martini粗粒化模型，验证其能复现自发振动等双稳态效应，从而支持在更大时空尺度上研究此类系统。
2024-12-17 cond-mat.soft physics.chem-ph physics.comp-ph
Coarse Graining Molecular Dynamics with Graph Neural Networks
粗粒化使分子动力学的研究更大的系统和更长的时间尺度比原子分辨率。然而，必须制定一个粗粒度的模型，使我们从中得出的结论与我们从一个更精细的模型中得出的结论一致。它已被证明，力匹配方案定义了一个原子系统的变分极限的一致的粗粒度模型。Wang等人[ACS Cent.Sci. 5，755（2019）]证明了这种变分极限的存在使得能够使用监督机器学习框架来生成粗粒度力场，然后可以将其用于粗粒度空间中的模拟。然而，他们的框架需要人工输入分子特征，以便机器学习力场。在目前的贡献中，我们建立在Wang等人的基础上，并引入了一种用于粗粒度力场的机器学习的混合架构，该架构通过一个子网络来学习它们自己的特征，该子网络利用图神经网络架构上的连续滤波器卷积。我们证明，这个框架成功地再现小生物分子系统的热力学。由于学习的分子表示本质上是可转移的，因此本文提出的架构为开发可跨分子系统转移的机器学习的粗粒度力场奠定了基础。
2020-11-06 physics.bio-ph physics.chem-ph physics.comp-ph
Nonequilibrium friction and free energy estimates for kinetic coarse-graining -- Driven particles in responsive media
本文研究非平衡条件下响应性介质中驱动粒子的粗粒化方法，通过恒速约束模拟估计平均力与速度依赖摩擦，并在1D势垒和3D聚合物膜模型中验证其可用于低维Langevin模拟预测输运性质。
2025-07-02 cond-mat.soft cond-mat.stat-mech physics.app-ph
