凝聚态物理学
Condensed Matter
无序系统与神经网络
Disordered Systems and Neural Networks
材料科学
Materials Science
介观与纳米尺度物理学
Mesoscale and Nanoscale Physics
大型极其简单的机器人组件只能进行基本运动活动(如推进或自我旋转)通常应用于研究蜂拥行为或实施由非平衡粒子组成的活性物质的各种现象,这些粒子将其能量转化为定向运动。 因此,已经开发出了大量紧凑的蜂群机器人。 最简单的是刷子机器人,通过在弹性刷毛的帮助下转换振动来自我推进。 然而,许多平台针对特定类别的研究进行了优化,并不总是开源的,或者具有有限的定制潜力。 为了解决这些问题,我们开发了基于可重新配置的3D打印体和简单电子产品的轻快机器人1.0平台,该平台具有对运动速度的外部控制并展示轨迹调整的基本能力。 然后,我们对单个Swarmodroids的运动特性及其运动学进行了详细的分析。 此外,我们还在Python中引入了AMPy软件包,该软件包具有基于OpenCV的机器人群体运动学提取功能,同时评估描述集体动力学的关键物理量。 最后,我们讨论潜在的应用以及基础研究和Swarmodroid 1.0平台开发的进一步方向。
我们通过研究相关能量功能的最小化器,分析Landau-de Gennes框架内线状液晶中的单核和分裂核心缺陷结构。 分叉发生在临界温度阈值,低于临界核心和单核配置是欧拉朗-拉格朗日方程的解决方案,分裂核心缺陷具有较低的能量。 在阈值以上,分核配置消失,留下单核缺陷作为唯一稳定的解决方案。 我们分析了这种温度阈值对域大小的依赖,并表征了两种缺陷类型之间过渡的性质。 我们对缺陷核心尺寸作为单芯和分裂核心缺陷的温度和域尺寸函数进行定量研究。
组织动力学在从伤口愈合到形态发生的生物过程中起着至关重要的作用。 然而,这些嘈杂的多细胞动力学是出了名的难以预测。 在这里,我们介绍了一个仿生机器学习框架,能够直接从实验电影中推断出嘈杂的多细胞动力学。 这个生成模型结合了图形神经网络,正态流和WaveNet算法,将组织表示为神经随机微分方程,其中细胞是进化图的边缘。 这种机器学习架构反映了底层生物组织的架构,与卷积或完全连接的神经网络相比,大大降低了训练它所需的数据量。 以上皮组织实验作为案例研究,我们表明我们的模型不仅可以捕获随机细胞运动,还可以预测细胞状态在其分裂周期中的进化。 最后,我们证明我们的方法可以准确地生成发育系统的实验动力学,例如飞翼,以及由随机ERK波介导的细胞信号传导过程,为它在生物工程和临床环境中作为数字孪生体的使用铺平了道路。
我们建议一种用于解决三维时间依赖性Gross-Pitaevskii(GP)方程的伪光谱方法,并用它来研究由原子散射长度的周期性变化引起的被困玻色-爱因斯坦凝结物的共振动力学。 当散射长度的振荡频率是沿 x、y 或 z 方向的诱捕频率之一的均匀倍数时,冷凝物的相应大小执行共振振荡。 使用分化矩阵的概念,偏差GP方程被简化为一组耦合的普通微分方程,该方程由四阶自适应步大小的控制Runge-Kutta方法解决。 伪光谱方法与同一问题的有限差法形成对比,其中时间演变由Crank-Nicholson算法执行。 后一种方法被说明更适合三维站立波光学晶格捕获电位。
在本文中,我们研究了Sobolev梯度技术在最小化量子力学和非线性光学中与及时和困难的非线性问题相关的几个薛定谔功能的问题中的应用。 我们表明,这些梯度在最小化方法中作为传统选择下降方向的先决条件,并展示了一种计算上廉价的方法,使用离散傅里叶基础和快速傅里叶变换来获得它们。 我们表明,Sobolev预处理比传统技术提供了很大的融合改进,用于以最小的能量和固定状态寻找解决方案,并建议使用任意线性运算符对方法进行概括。
我们介绍了ToPolyAgent,一个多智能体AI框架,用于通过自然语言指令对拓扑聚合物进行粗粒度分子动力学(MD)模拟。 通过将大型语言模型(LLM)与特定领域的计算工具集成,ToPolyAgent支持跨各种聚合物架构的交互式和自主仿真工作流程,包括线性、环、刷和星聚合物以及树皮。 该系统由四个LLM驱动的代理组成:用于生成初始聚合物溶剂配置的配置代理,用于执行基于LAMMPS的MD模拟和构象分析的模拟代理,用于编译标记报表的报告代理,以及用于简化自主操作的工作流程代理。 交互式模式集成了用户反馈循环,用于迭代改进,而自主模式则从详细的提示中实现端到端任务执行。 我们通过案例研究证明了ToPolyAgent的多功能性,涉及不同溶剂条件下,温度计和模拟长度的多种聚合物结构。 此外,我们通过指导它研究相互作用参数对线性聚合物构象的影响以及嫁接密度对刷聚合物的持久性长度的影响来突出其作为研究助理的潜力。 通过将自然语言接口与严格的模拟工具耦合,ToPolyAgent降低了复杂计算工作流程的障碍,并在聚合物科学中推进了人工智能驱动的材料发现。 它为自主和可扩展的多智能科学研究生态系统奠定了基础。
机械超材料通过结构设计而不是材料组成来实现非常规和可编程的机械响应。 在这项工作中,我们引入了一种多稳定的机械超材料,它表现出可切换的刚度效应,其中有效的剪切刚度在稳定的配置之间离散地切换。 单元单元单元的代理束模型的机械分析表明,这种行为源于支撑梁向弯曲梁传输的旋转,该旋转支配弯曲和轴向变形之间的平衡。 单元单元单元的两个状态之间的刚度比可以通过改变支撑梁的纤细度或通过结合调节旋转转移的局部铰链来调整。 关于3D打印原型的实验验证了数值预测,证实了在不同几何形状上一致的刚度。 最后,我们演示了一个单片式软离合器,利用这种效果来实现可编程的,逐步的刚度调制。 这项工作建立了使用多稳定超材料可切换刚度的设计策略,为软机器人和智能结构中的自适应,轻量级和自主系统铺平了道路。
软材料和细长结构的非线性机械响应通过设计在软机器人执行器中有意利用编程功能,例如测序,放大响应,快速能量释放等。 然而,非线性致动器的典型设计 - 例如气球,倒膜,弹簧 - 具有有限的设计参数空间和复杂的制造工艺,阻碍了更精细的功能的实现。 另一方面,机械超材料具有非常大的设计参数空间,允许对非线性行为进行微调。 在这项工作中,我们提出了一种新的方法来制造基于超材料和折纸(Meta-Ori)的非线性充气作为单片零件,可以使用热塑性聚氨酯(TPU)商业细丝通过熔融沉积建模(FDM)进行完全3D打印。 我们的设计包括一个具有圆柱形拓扑和非线性机械响应的超材料外壳,以及Kresling折纸充气作为气动发射器。 我们开发和发布视觉编程语言Grasshopper的设计工具,以交互式设计我们的Meta-Ori。 我们表征了元壳和折纸的机械响应,以及Meta-Ori充气的非线性压力体积曲线,最后,我们演示了双段单片Meta-Ori软执行器的驱动测序。
剪纸（Kirigami）这一传统纸艺工艺，通过提供多功能、轻量化和适应性强的解决方案，在机器人技术领域具有革命性的巨大潜力。剪纸结构以其弯曲主导的变形特性为特征，能够抵抗拉伸力并在小驱动力下实现形状变换。通过优化切割图案，可以将剪纸组件如执行器、传感器、电池、控制器和主体结构定制用于特定的机器人应用。基于剪纸原理的执行器展现出可通过各种能源编程的复杂运动，而剪纸传感器则弥合了导电性与柔顺性之间的差距。剪纸集成电池使得能量存储能够直接嵌入机器人结构中，增强了灵活性和紧凑性。剪纸控制机制模拟机械计算，实现了形状变换和记忆功能等先进功能。剪纸机器人的应用包括抓取、运动和可穿戴设备，展示了它们对不同环境和任务的适应性。尽管前景广阔，但在为特定功能设计切割图案和优化制造技术方面仍存在挑战。
自动驾驶实验室(SDL)通过将自动化与机器学习耦合,有望更快地发现材料,但一个核心挑战是预测从廉价、可自动化的读数中获得昂贵的、缓慢测量的属性。 我们通过从光学光谱学中学习可解释的光谱指纹来预测电导率,从而解决了掺注共轭聚合物的问题。 光学光谱是快速,非破坏性,对聚合和电荷生成敏感;我们通过将遗传算法(GA)与弯曲下区域(AUC)计算与自适应选择的光谱窗口相结合来自动化它们的功能化。 这些数据驱动的光谱特征以及处理参数用于训练将光学响应和处理与电导率联系起来的定量结构-属性关系(QSPR)。 为了提高小数据机制的准确性和可解释性,我们添加了基于域知识的功能扩展,并应用了SHAP引导的选择来保留紧凑的、物理上有意义的功能集。 该管道在无泄漏的列车/测试协议下进行评估,GA重复评估特征稳定性。 数据驱动的模型与由专家策划的描述符构建的基线的性能相匹配,同时减少实验工作(约33个)
概率位(p-bits)是随机硬件元素,其输出概率可以通过输入偏差进行调整,为利用而不是抑制波动的节能架构提供一条途径。 在这里,我们报告在有机存储器装置中的p位生成,将聚合物作为实现概率硬件的第一类软物质系统。 活性元素是一种带有吊坠三苯胺(TPA)基团的二硫[3,2-b:2',3'-d]吡啶(DTP)-骨干聚合物,其随机电阻波动通过简单的电压-分频器/比较电路转换为二进制输出。 由此产生的概率分布遵循逻辑传递函数,随机二进制神经元的特征。 另外,对脉冲IV测量的集成进行了分析,以构建结合电流分布,从中计算离散的香农熵。 这种熵中的峰值与偏置条件相吻合,这些偏差条件最大化了测量器电压下降的可变性,直接将设备级随机性与内在材料性能联系起来。 介电分析显示,吊坠TPA单元提供动态主动放松模式,而能量解析电化学阻抗光谱和密度功能理论计算表明DTP,TPA和ITO的前沿轨道在运输间隙内对齐,产生分叉渗透网络。 微观放松动力学,电子能量和宏观概率反应之间的对应关系突出了有机半导体如何作为化学可调的熵源,开辟了一条基于聚合物的热力学计算途径。
机器学习(ML)正在迅速改变分子动力学模拟的进行和分析方式,从材料建模到蛋白质折叠和功能的研究。 ML算法通常用于学习构象景观的低维表示,并将轨迹聚类到相关的元稳定状态。 这些算法中的大多数都需要选择少量的描述兴趣问题的特征。 虽然深度神经网络可以解决大量的输入功能,但训练成本随着输入大小而增加,这使得选择特征子集对于大多数实际感兴趣的问题都是强制性的。 在这里,我们表明随机非线性投影可用于压缩大型特征空间并使计算更快而不会大量丢失信息。 我们描述了一种产生随机投影的有效方法,然后举例说明蛋白质折叠的一般过程。 对于我们的测试用例NTL9和二诺列素变体的维林头片,我们发现随机压缩保留了原始高维特征空间的核心静态和动态信息,并使轨迹分析更加稳健。
近年来,kirigami的概念被用于创建各种科技应用的可部署结构。 虽然对kirigami超材料的设计进行了广泛的研究,但较少探索部署和形状变换过程的模拟。 在这项工作中,我们开发了PyKirigami,这是一种高效的基于Python的开源计算工具,用于kirigami超材料的部署模拟。 特别是,我们的工具能够模拟具有不同几何,拓扑和物理特性的多种kirigami超材料的二维和三维部署。 该工具还具有高度的交互性和可定制性,允许用户在不同的环境设置和材料性能下对kirigami结构进行部署模拟。 总之,我们的工作为形状变形机械超材料的建模和设计铺平了道路。
“代理”的概念深刻地塑造了人工智能(AI)研究,指导了从基础理论到当代应用的发展,如基于大型语言模型(LLM)的系统。 本文批判性地重新评估了这种以代理为中心的范式的必要性和最优性。 我们认为,其持续的概念模糊性和固有的以人类为中心的偏见可能代表一个限制框架。 我们区分代理系统(受代理启发的AI,通常是半自主的,例如基于LLM的代理),代理系统(完全自主,自产系统,目前只有生物)和非代理系统(没有代理印象的工具)。 我们的分析基于对相关文献的系统审查,解构了各种人工智能框架的代理范式,强调了在定义和衡量自主性和目标导向性等属性方面的挑战。 我们认为,许多人工智能系统的“代理”框架虽然具有中心用途,但可能具有误导性,并可能掩盖潜在的计算机制,特别是在大型语言模型(LLM)中。 作为替代方案,我们建议转向基于系统级动态、世界建模和物质智能的框架。 我们的结论是,在复杂系统、生物学和非常规计算的启发下,研究非代理和系统框架对于推进稳健、可扩展和潜在的非拟人化形式的一般智能至关重要。 这不仅需要新的架构,还需要从根本上重新考虑我们对智能本身的理解,超越代理隐喻。
为了克服传统试错材料发现的固有效率低下,科学界正越来越多地开发将数据驱动的决策集成到闭环实验工作流程中的自主实验室。 在这项工作中,我们通过开发一个低成本的“节俭孪生”平台来实现热敏聚合物的概念,用于优化聚(N-异丙烯酰胺)(PNIPAM)的较低临界溶液温度(LCST)。 我们的系统集成了机器人流体处理、在线传感器和贝叶斯优化(BO),可导航多组分盐解决方案空间以实现用户指定的LCST目标。 该平台在最少数量的实验中展示了对目标属性的融合。 它战略性地探索参数空间,从信息丰富的“脱靶”结果中学习,并自我纠正以实现最终目标。 通过提供可访问和适应性强的蓝图,这项工作降低了自主实验的进入门槛,并加速了功能性聚合物的设计和发现。
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。
活性物质是指由自走实体组成的系统,它们消耗能量产生运动,表现出复杂的非平衡动力学,挑战传统模型。 随着机器学习的快速发展,强化学习(RL)已成为解决活性物质复杂性的有前途的框架。 本综述系统地介绍了用于引导和控制活性物质系统的RL的集成,重点关注两个关键方面:单个活性粒子的最佳运动策略和活性群中集体动力学的调节。 我们讨论使用RL来优化单个活性粒子的导航,觅食和运动策略。 此外,还研究了RL在调节集体行为中的应用,强调其在促进主动群体的自我组织和目标导向控制方面的作用。 这项研究为RL如何推进对活性物质的理解,操纵和控制提供了宝贵的见解,为生物系统,机器人和医学等领域的未来发展铺平了道路。
对填充热塑性复合材料组件的物理和物理化学修饰方法的各个方面进行分析,旨在提高填充物的表面特性和聚合物基体在相互作用过程中的技术特性。 值得注意的是,聚合物反应塑料复合材料组分的界面相互作用的改善,包括粘合强度,是提高固化填充复合材料可靠性的关键因素。 作为一个有前途的研究领域,选择了增强纤维填料表面的修改和液体聚合物粘结剂的技术特性,以增加其复合材料中的接触特性。 描述了以低频超声波处理形式对复合材料成分进行修改的物理方法的有效性。 分析了填充分散填料的环氧聚合物的簇形成和物理化学修饰的特殊性。 注意力集中在纳米复合材料产生过程中,在液体介质中解聚和均匀分布的空化模式下超声波处理的有效性。 实验证实的是液体环氧聚合物的技术特性的改善,通过超声波进行修改,用于定向纤维填料的浸渍,以及改善声控环氧基质的体谱性能。 简要回顾了用于功能应用的聚合物组分的生物修饰的一些问题。
物理系统学习是一种新兴范式，旨在利用物理基质固有的非线性动力学进行学习。硬件用于计算智能的范式转变动力主要源于在传统基于晶体管的硬件上实现的人工神经网络软件的不可持续性。本视角重点介绍了一种有前景的方法，使用由阻变存储器纳米尺度组件组成的物理网络，具有动态可重构、自组织的电路结构。实验进展揭示了这些自组织忆阻网络（SOMNs）内部非平凡的相互作用，为理解其集体非线性和自适应动力学提供了见解，以及如何利用这些特性通过不同的硬件实现进行学习。理论方法，包括平均场理论、图论和无序系统概念，揭示了SOMNs动力学的更深层次见解，特别是在不同电导状态之间的转变过程中，实验和模型中都出现了临界性和其他动力学相变。此外，SOMNs中的自适应动力学与生物神经网络中的可塑性之间的相似性表明，实现节能、类脑的持续学习具有潜力。因此，SOMNs为实现嵌入式边缘智能提供了一条有前景的途径，通过在资源受限环境中实现嵌入式学习，为自主系统、动态传感和个性化医疗保健解锁实时决策能力。本视角的总体目标是展示纳米技术、统计物理、复杂系统和自组织原理的融合如何为推进新一代物理智能技术提供独特机遇。
水库计算(RC)是一种最先进的机器学习方法,利用动力系统(水库)的力量进行实时推理。 当使用生物复合系统作为储层基板时,它作为有关生物启发计算的基本问题的试验台 - 自我组织如何产生适当的时空模式。 在这里,我们使用由混浊移动输入信号驱动的活动物质系统的模拟作为存储库。 到目前为止,尚不清楚这种复杂的系统是否具有有效处理信息的能力,并且独立于引入信息的方法。 我们发现,当从排斥转向有吸引力的驱动力时,系统完全改变了计算方式,而预测性能景观几乎保持不变。 驱动器注入力的非线性通过将单智能体动力学与驱动器的动力学脱钩来改善计算。 触发的是平滑结构边界(接口)的(重新)生长,变形和主动运动,以及速度相干梯度的出现 - 在许多软材料和生物系统中发现的特征。 非线性驱动力激活了紧急调节机制,这些机制表现出增强的形态和动态多样性 - 可以说是改善了褪色的记忆,非线性,表现力,从而提高了性能。 我们在调整内部(排斥)力进行信息传输时产生的多种非平衡活性物质阶段进一步执行RC。 总的来说,我们发现形成液滴的活性物质剂特别适合RC。 预测性表现景观的一致凸形,以及观察到的现象学丰富性,传达了稳健性和适应性。
继续滚动加载更多
