Skip to content

Chen, Xiaoli; Soh, Beatrice W.; Ooi, Zi-En et al. · 2024 · Nature Computational Science

Metadata

Authors: Chen, Xiaoli; Soh, Beatrice W.; Ooi, Zi-En; Vissol-Gaudin, Eleonore; Yu, Haijun; Novoselov, Kostya S.; Hippalgaonkar, Kedar; Li, Qianxiao

DOI: 10.1038/s43588-023-00581-5

Tags: #stochastic-process

📄 Quick Note

摘要概述

本文提出 S-OnsagerNet（Stochastic OnsagerNet），一个基于广义随机 Onsager 原理（GSOP）的深度学习平台，能从微观轨迹数据中直接学习任意随机耗散系统的可解释宏观热力学描述。核心思想是把经典 Onsager 原理 Ż = −M∇V 推广为随机形式 dZ = −(M(Z)+W(Z))∇V(Z)dt + σ(Z)dB(t)（M 对称半正定耗散、W 反对称保守、σ 噪声），再用神经网络同时学习闭包坐标 Ẑ 与动力学函数 M、W、V、σ，并保证物理约束（如 M 的正定性、能量耗散定理）。作者用 900 自由度的聚合物链拉伸（300 颗粒）验证：模型把高维动力学压缩到 3 个宏观坐标，重建出能量地貌、识别稳定/过渡态，并实现了对拉伸速率的数据驱动控制；进一步在单分子 DNA 拉伸实验中区分快/慢拉伸链，预测的涨落相关与实验吻合。还演示了同样的方法可推广到空间流行病（spatial SIR）的宏观动力学建模。整体上这是"结构化物理先验 + 深度学习做模型降阶"路线的代表工作，强调可解释性、长时稳定性与物理一致性。

关键图表

  • Fig. 1（工作流总览）：对比理想气体定律（平衡、静态）与聚合物动力学（非平衡、动态），展示从微观坐标 X → 宏观兴趣量 Z* → 闭包坐标 Ẑ → 闭合约 Ẇ = −(M+W)∇V + σḂ 的 S-OnsagerNet 流程，一图说明"构造自定义热力学"的本质。
  • Fig. 4（学习到的势能地貌）：将学得的 V 投影到约化坐标平面上，呈现聚合物拉伸的稳定态与过渡态，相当于一个"动态状态方程"，是本文可解释性的核心证据。
  • Fig. 6（实验数据分析）：把训练好的 S-OnsagerNet 直接用于单分子 DNA 拉伸实验数据，能区分快/慢拉伸聚合物并预测涨落相关，证明方法不止于仿真、可迁移到真实实验。

与我的关联

本文是"用物理结构约束的神经网络做随机耗散系统模型降阶"的范式参考——其 GSOP 形式（M 对称耗散 + W 反对称保守 + 噪声）与我所关心的血管 G&R、软组织生长这类非平衡、含噪声的连续体动力学有结构相似性，其"同时学闭包坐标 + 动力学 + 保证能量耗散稳定性"的思路可借鉴到 SMC G&R 的降阶建模中。