An Explainable AI Model for Binary LJ Fluids

要約

Lennard-Jones（LJ）液体は、分子相互作用を理解するための重要な理論的枠組みとして機能します。
2つの異なる種の粒子がLJのポテンシャルに基づいて相互作用し、豊富な相挙動を示し、複雑な液体混合物の貴重な洞察を提供するバイナリLJ流体。
ここでは、バイナリLJ流体の人工知能（AI）モデルの構造とユーティリティを報告し、さまざまな条件にわたって放射状分布関数（RDF）を予測する際の有効性に焦点を当てています。
さまざまな組成と温度を持つバイナリ混合物のRDFは、AIモデルを確立および検証するために、Molecular Dynamics（MD）シミュレーションから収集されます。
このAIパイプラインでは、モデルの出力寸法を減らすためにRDFが離散化されています。
これにより、有効性が向上し、AI RDFモデルの複雑さが減少します。
このモデルは、特にトレーニング温度範囲の外で、多くの未知の混合物のRDFを非常に正確に予測することが示されています。
私たちの分析は、粒子サイズ比がバイナリ混合物の微細構造に高次の影響を与えることを示唆しています。
また、異なる基礎となる物理学の新しい体制に遭遇するときに、AIモデルの忠実度が低い領域を強調します。

要約(オリジナル)

Lennard-Jones (LJ) fluids serve as an important theoretical framework for understanding molecular interactions. Binary LJ fluids, where two distinct species of particles interact based on the LJ potential, exhibit rich phase behavior and provide valuable insights of complex fluid mixtures. Here we report the construction and utility of an artificial intelligence (AI) model for binary LJ fluids, focusing on their effectiveness in predicting radial distribution functions (RDFs) across a range of conditions. The RDFs of a binary mixture with varying compositions and temperatures are collected from molecular dynamics (MD) simulations to establish and validate the AI model. In this AI pipeline, RDFs are discretized in order to reduce the output dimension of the model. This, in turn, improves the efficacy, and reduce the complexity of an AI RDF model. The model is shown to predict RDFs for many unknown mixtures very accurately, especially outside the training temperature range. Our analysis suggests that the particle size ratio has a higher order impact on the microstructure of a binary mixture. We also highlight the areas where the fidelity of the AI model is low when encountering new regimes with different underlying physics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google