ترجمه فارسی مقاله در مورد توانایی تعمیم مدل‌های دینامیک مولکولی درشت دانه برای فرآیندهای غیرتعادلی

چکیده

One essential goal of constructing coarse-grained molecular dynamics (CGMD) models is to accurately predict non-equilibrium processes beyond the atomistic scale. While a CG model can be constructed by projecting the full dynamics onto a set of resolved variables, the dynamics of the CG variables can recover the full dynamics only when the conditional distribution of the unresolved variables is close to the one associated with the particular projection operator. In particular, the model’s applicability to various non-equilibrium processes is generally unwarranted due to the inconsistency in the conditional distribution. Here, we present a data-driven approach for constructing CGMD models that retain certain generalization ability for non-equilibrium processes. Unlike the conventional CG models based on pre-selected CG variables (e.g., the center of mass), the present CG model seeks a set of auxiliary CG variables based on the time-lagged independent component analysis to minimize the entropy contribution of the unresolved variables. This ensures the distribution of the unresolved variables under a broad range of non-equilibrium conditions approaches the one under equilibrium. Numerical results of a polymer melt system demonstrate the significance of this broadly-overlooked metric for the model’s generalization ability, and the effectiveness of the present CG model for predicting the complex viscoelastic responses under various non-equilibrium flows.

چکیده به فارسی (ترجمه ماشینی)

یکی از هدف های اساسی ساخت مدلهای دینامیک مولکولی درشت دانه (CGMD) پیش بینی دقیق فرآیندهای غیر تعادل فراتر از مقیاس اتمی است.در حالی که یک مدل CG را می توان با طرح ریزی دینامیک کامل بر روی مجموعه ای از متغیرهای حل شده ساخته شد ، پویایی متغیرهای CG می تواند دینامیک کامل را فقط هنگامی بازیابی کند که توزیع مشروط متغیرهای حل نشده نزدیک به نمونه مرتبط با اپراتور طرح ریزی خاص باشد.بشربه طور خاص ، کاربرد مدل در فرآیندهای مختلف غیر تعادل به دلیل ناسازگاری در توزیع مشروط ، به طور کلی غیرقانونی است.در اینجا ، ما یک رویکرد داده محور برای ساخت مدلهای CGMD ارائه می دهیم که توانایی تعمیم خاصی را برای فرآیندهای غیر تعادل حفظ می کنند.بر خلاف مدل های CG معمولی مبتنی بر متغیرهای CG از پیش انتخاب شده (به عنوان مثال ، مرکز جرم) ، مدل CG فعلی به دنبال مجموعه ای از متغیرهای CG کمکی بر اساس تجزیه و تحلیل مؤلفه مستقل با زمان-زمان برای به حداقل رساندن سهم آنتروپی متغیرهای حل نشده است.بشراین تضمین می کند توزیع متغیرهای حل نشده تحت طیف گسترده ای از شرایط غیر تعادل به یکی از موارد تحت تعادل نزدیک می شود.نتایج عددی یک سیستم ذوب پلیمر نشان دهنده اهمیت این متریک کاملاً رو به رو برای توانایی تعمیم مدل و اثربخشی مدل CG فعلی برای پیش بینی پاسخهای ویسکوالاستیک پیچیده تحت جریان های مختلف غیر تعادل است.