从兰格-恩方程导出和近似粗粒化动力学
The Derivation and Approximation of Coarse-grained Dynamics from Langevin Dynamics
AI总结：
本文基于兰格-恩方程导出粗粒化模型，重点研究记忆核函数和涨落-耗散定理，并提出一种分层近似方法，通过拉普拉斯域中的有理近似提高精度，同时避免了在每个时间步计算记忆项积分的需要。
摘要：
我们提出了从兰格-恩方程导出粗粒化模型的推导。重点放在记忆核函数和涨落-耗散定理上。还提出了一个记忆和随机噪声项的近似层次结构，使用拉普拉斯域中的有理近似。这些近似提供了逐渐增加的精度。更重要的是，它们消除了在每个时间步计算与记忆项相关的积分的需要。
英文摘要：
We present a derivation of a coarse-grained model from the Langevin dynamics. The focus is placed on the memory kernel function and the fluctuation-dissipation theorem. Also presented is an hierarchy of approximations for the memory and random noise terms, using rational approximations in the Laplace domain. These approximations offer increasing accuracy. More importantly, they eliminate the need to evaluate the integral associated with the memory term at each time step.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
