Topological Regularization for Force Prediction in Active Particle Suspension with EGNN and Persistent Homology
Sadra Saremi, Amirhossein Ahmadkhan Kordbacheh
捕获活性粒子的动力学,即小型自走剂,它们通过流体变形和变形,这是一个可怕的问题,因为它需要耦合具有大规模集体效应的精细尺度流体动力学。 因此,我们提出了一个多尺度的框架,它结合了三种学习驱动的工具,在一个管道内协同学习。 我们使用高分辨率Lattice Boltzmann在周期性框中的流体速度和粒子应力的快照作为学习管道的输入。 第二步采用粒子的形态和位置方向,用E(2)等变量图形神经网络预测它们之间的成对相互作用力,这些神经网络必然尊重扁平对称。 然后,一个物理消息的神经网络通过使用傅里叶特征映射和剩余块来汇总这些局部估计值,这些数据还通过拓扑术语(由持续同源引入)进行常规化,以惩罚不切实际的纠结或虚假连接。 在协同中,这些阶段提供了一个全面的高数据驱动的全力网络预测,与物理基础以及活跃的物质典型的新兴多尺度结构一起。
Capturing the dynamics of active particles, i.e., small self-propelled agents that both deform and are deformed by a fluid in which they move is a formidable problem as it requires coupling fine scale hydrodynamics with large scale collective effects. So we present a multi-scale framework that combines the three learning-driven tools to learn in concert within one pipeline. We use high-resolution Lattice Boltzmann snapshots of fluid velocity and particle stresses in a periodic box as input to th...
