Learning locally dominant force balances in active particle systems

要約

私たちは、教師なしクラスタリングとスパース促進推論アルゴリズムの組み合わせを使用して、自己組織化されたアクティブ粒子システムにおける巨視的パターン形成を説明する局所的に支配的な力のバランスを学習します。
自走粒子間の微視的相互作用から巨視的パターンが自己組織的に出現する現象は、広く観察される自然現象です。
流体力学の理論は、この現象の物理的基礎をよりよく理解するのに役立ちますが、活性粒子システムの自己組織化構造を形成、制御、維持する十分な局所相互作用のセットを特定することは依然として困難です。
私たちは、アスターや移動密度帯など、さまざまなパターンを生成する自走粒子の古典的な流体力学モデルを調査します。
我々のデータ駆動型分析は、伝播バンドが密度勾配によって駆動される局所的な配向相互作用によって形成される一方、定常状態のアスターは強い粒子相互作用から生じるスプレイ誘起の負の圧縮率のメカニズムによって形成されることを示しています。
私たちの方法は、粒子の速度が局所密度によって影響されるシステムにおけるパターン形成の類似の物理原理も明らかにします。
これは、モデル間の物理的な共通性を明らかにする私たちの方法の能力を示しています。
データから推測される物理的メカニズムは、分析のスケーリング議論および実験的観察とよく一致しています。

要約(オリジナル)

We use a combination of unsupervised clustering and sparsity-promoting inference algorithms to learn locally dominant force balances that explain macroscopic pattern formation in self-organized active particle systems. The self-organized emergence of macroscopic patterns from microscopic interactions between self-propelled particles can be widely observed nature. Although hydrodynamic theories help us better understand the physical basis of this phenomenon, identifying a sufficient set of local interactions that shape, regulate, and sustain self-organized structures in active particle systems remains challenging. We investigate a classic hydrodynamic model of self-propelled particles that produces a wide variety of patterns, like asters and moving density bands. Our data-driven analysis shows that propagating bands are formed by local alignment interactions driven by density gradients, while steady-state asters are shaped by a mechanism of splay-induced negative compressibility arising from strong particle interactions. Our method also reveals analogous physical principles of pattern formation in a system where the speed of the particle is influenced by local density. This demonstrates the ability of our method to reveal physical commonalities across models. The physical mechanisms inferred from the data are in excellent agreement with analytical scaling arguments and experimental observations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google