XiaoMi-AI文件搜索系统
World File Search System应力张量
![arXiv:2001.08485v1 [gr-qc] 2020 年 1 月 23 日](/simg/d\dfa969828771428e4b7b51ceed6b981bf202d2cf.webp)
arXiv:2001.08485v1 [gr-qc] 2020 年 1 月 23 日
摘要。准局部能量问题已得到广泛研究，主要在四维空间中。本文我们报告了关于时空维度 n ≥ 4 中准局部能量的结果。在适当的假设下将三种不同的准局部能量定义推广到更高维度后，我们评估了它们沿光锥切口向光锥顶点收缩的小球极限。真空中的结果可以方便地用 Weyl 张量的电磁分解来表示。我们发现，物质存在时的极限会产生预期的应力张量，但真空极限通常与维度 n > 4 中的 Bel-Robinson 超能量 Q 不成比例。结果定义了 Bel-Robinson 超能量在更高维度中表征引力能量的作用，尽管它具有独特的概括性。令人惊讶的是，霍金能量和 Brown-York 能量在所有维度上的小球极限上完全一致。然而，“新”真空极限 Q 不能解释为引力能量，因为它不为正。此外，我们还给出了高维 Kijowski-Epp-Liu-Yau 型能量的小球极限，并且我们再次看到 Q 代替了 Q 。我们的工作扩展了早期对小球极限的研究 [ 1 , 2 , 3 , 4 ]，也补充了 [ 5 ]。
有组织的运动 - 能量 - 贝克散布在赫鲁里卡 -
飓风的流体力学在很大程度上取决于系统的暖核性质，其峰值速度位于较低水平。一个抑制了边界层中能量传递更完整表征的障碍是缺乏解决大型湍流涡流的观察结果。尤其是，飓风边界层中高档能量转移（反向散射）的发生和结构以及反向散射对涡旋强度的影响尚不清楚。此处提供了非常高分辨率的分析，从峰值强度下的飓风丽塔（2005）的三维风观测结果揭示了与相干，湍流涡流相关的边界层中有组织的反向散射区域。由于相邻涡之间的相互作用，在反向散射区域旁边还发现了强向前散射。应力张量的两个组成部分主要负责这种交替的散射结构，如较大的相关系数：径向 - 垂直成分（τ13）和方位角 - 垂直成分（τ23）之间的较大相关系数，平均相关性分别为79％和49％。还提供了伦纳德，雷诺和跨期应力成分。通过计算解决方案和涡流级动作的动能预算来估计子级尺度能量转移的影响。结果表明，次要尺度的能量转移项与涡流预算中的其他术语的顺序相同，对当地时间趋势贡献了16％至40％，平均贡献约为30％。这些结果表明，相干湍流涡流可以通过波 - 波非线性相互作用影响涡流动力学，随后可以影响波 - 均值的流量相互作用。这是检查完整的子滤波器规模
测量机器学习力场中的可传递性问题：与线性电势的金铁相互作用的示例
原子建模通常分为两种不同类型的模拟。一方面，包括Hartree -Fock和密度功能理论（DFT）方法在内的量子方法被认为是最准确的，几乎用于任何类型的化学物种[1，2]。另一方面，经典力场用于执行精度较低的大规模和长期模拟[3，4]。但是，仍然很难连接这两种方法，直到现在，人们几乎无法执行涉及数百万个原子的纳秒原子的模拟，同时保留量子方法的准确性。在这种情况下，近年来已经提出了机器学习互动电位（MLIP），并显示出实现此类模拟的巨大潜力[5-7]。目前考虑了许多方法，包括人工神经网络[8]，高斯近似方法[9]，线性电位[10，11]，频谱邻域分析电位[12]，对称梯度域机器学习[13，14]和矩张量张量的电位[15]。这些技术的成功得到了成功解决的各种材料的认可：纯属金属[16-20]，有机分子[21-24]，氧化物[25，26]，水[27 - 31]，无定形材料[32 - 37]和HYBRIDPEROVSKITES [32 - 37]和HYBRIDERIDPEROVSKITES [38]。对于所有这些技术，主要过程包括对力场使用非常通用的分析公式，然后将其进行参数化以匹配DFT计算数据库，包括总能量，力和应力张量。但是，人们承认MLIP有时会显示出对学习数据库中未包含的系统的可传递性。在最坏的情况下，MLIP SO-WELL拟合到其学习数据库中，可以在其外观察到非物理行为。为了解决此问题，主要建议是定期检查电位的准确性，因为进行了机器学习分子动力学模拟并改善MLIP“ fly the Fly” [38 - 40]。，据我们所知，这种方法的这种缺陷从未经过定量调查，而在被用户和开发人员承认的同时。
PiNN：用于构建分子和材料原子神经网络的 Python 库
摘要：原子神经网络 (ANN) 是一类机器学习方法，用于预测分子和材料的势能面和物理化学性质。尽管取得了许多成功，但开发可解释的 ANN 架构并有效实施现有架构仍然具有挑战性。这需要可靠、通用且开源代码。在这里，我们介绍了一个名为 PiNN 的 Python 库作为实现这一目标的解决方案。在 PiNN 中，我们设计了一种新的可解释且高性能的图卷积神经网络变体 PiNet，并实现了已建立的 Behler-Parrinello 神经网络。使用分离的小分子、结晶材料、液态水和水性碱性电解质的数据集测试了这些实现。PiNN 附带一个名为 PiNNBoard 的可视化工具，用于提取 ANN“学习”到的化学见解。它提供分析应力张量计算，并与原子模拟环境和阿姆斯特丹建模套件的开发版本接口。此外，PiNN 是高度模块化的，这使得它不仅可以用作独立软件包，还可以用作开发和实现新型 ANN 的工具链。代码在宽松的 BSD 许可下分发，可在 https://github.com/Teoroo-CMC/PiNN/ 免费访问，其中包含完整的文档和教程。■ 简介计算化学的主要任务之一是将分子或材料的结构映射到其属性，即 f : { x ⃗ i , Z i } → P 。当 P 是总能量时，任务就是设计计算方法来找到薛定谔方程的近似解，正如狄拉克在 1929 年的解释 1 中所预见的那样，也是一代又一代计算和理论化学家一直致力于研究的那样。更具挑战性的是做逆向 f : P → { x ⃗ i , Z i }，也就是说，提出具有特定价值属性的新结构。为了应对这些挑战，机器学习 (ML) 在计算化学和材料发现领域引起了相当大的关注和努力，2 - 4 并且许多不同类型的 ML 方法已成功应用于这些领域。在本文中，我们将重点介绍原子神经网络 (ANN)，它在预测物理化学性质、近似势能面 (PES)、5、6 方面非常成功