[论文解读] Learning hydrodynamic equations for active matter from particle simulations and experiments

Rohit Supekar, Boya Song+4 more|arXiv (Cornell University)|Jan 17, 2021

Gaussian Processes and Bayesian Inference被引用 6

一句话总结

本论文提出了一种数据驱动的框架，可直接从粒子模拟和实验视频数据中学习可解释的活性物质系统的流体动力学偏微分方程（PDE）。通过结合谱基表示、时空滤波以及带有物理对称性的稀疏回归，该方法能准确恢复出能够定量再现集体动力学（如手性活性粒子和微滚轮系统中的涡旋形成）的PDE。

ABSTRACT

Recent advances in high-resolution imaging techniques and particle-based simulation methods have enabled the precise microscopic characterization of collective dynamics in various biological and engineered active matter systems. In parallel, data-driven algorithms for learning interpretable continuum models have shown promising potential for the recovery of underlying partial differential equations (PDEs) from continuum simulation data. By contrast, learning macroscopic hydrodynamic equations for active matter directly from experiments or particle simulations remains a major challenge. Here, we present a framework that leverages spectral basis representations and sparse regression algorithms to discover PDE models from microscopic simulation and experimental data, while incorporating the relevant physical symmetries. We illustrate the practical potential through applications to a chiral active particle model mimicking swimming cells and to recent microroller experiments. In both cases, our scheme learns hydrodynamic equations that reproduce quantitatively the self-organized collective dynamics observed in the simulations and experiments. This inference framework makes it possible to measure a large number of hydrodynamic parameters in parallel and directly from video data.

研究动机与目标

• 开发一种从活性物质系统中的微观粒子数据推断宏观流体动力学PDE的框架。
• 克服从噪声大、波动强且自组织的活性物质数据中学习连续模型的挑战。
• 在方程发现过程中整合物理对称性和守恒定律，以提升模型的可解释性和准确性。
• 实现在无需预先建立连续模型的情况下，直接从视频数据推断流体动力学参数。
• 将学习到的模型与合成模拟和真实实验数据（如Quincke滚轮和太阳鱼）进行验证。

提出的方法

• 应用基于空间核的粗粒化方法，将离散的粒子位置和取向转换为连续的流体动力学场，如密度 ρ(t,x) 和极化强度 p(t,x)。
• 将粗粒化场投影到谱基函数（例如切比雪夫多项式）上，以实现平滑插值并准确计算时空导数。
• 系统性地使用谱滤波压缩数据并抑制高频噪声，确保导数估计的稳定性。
• 基于物理原理（包括守恒定律和破缺对称性，如手性对称性）构建候选PDE项的库。
• 应用稀疏回归识别出相关项的最小集合及其现象学系数，以确保模型的可解释性。
• 将学习到的PDE与解析粗粒化结果和实验观测进行验证，包括涡旋形成和功率谱衰减。

实验结果

研究问题

• RQ1 能否从原始粒子模拟和实验视频数据中可靠地学习到活性物质的流体动力学PDE？
• RQ2 如何在数据驱动的方程发现框架中嵌入物理对称性和守恒定律，以提升模型的可解释性和准确性？
• RQ3 谱基表示和时空滤波在降低波动活性系统中的噪声并改善导数估计方面能发挥多大作用？
• RQ4 学习到的PDE能否定量再现手性活性粒子中自发涡旋形成的复杂集体动力学？
• RQ5 推断出的流体动力学参数与基于第一性原理粗粒化或实验测量得到的参数相比如何？

主要发现

• 该框架成功学习到手性活性粒子的流体动力学PDE，能够再现模拟中观察到的逆时针涡旋形成，其中手性漂移项系数 f₃ = –7.56 × 10⁻² s⁻¹。
• 对于Quincke滚轮系统，推断出的PDE能准确捕捉集体运动，其中速度项系数 f₆ = –3.99 × 10⁻¹ m⁻¹s⁻¹。
• Quincke滚轮和太阳鱼的粗粒化数据的功率谱随时间频率增加而呈现指数衰减，这支持使用确定性PDE而非随机模型。
• 稀疏回归过程仅识别出少数主导项（如非线性对流项系数 f₄ = –2.40 × 10⁰ m⁻²s⁻¹），同时抑制了类似噪声的项（如 f₁₁ 被截断为零）。
• 该方法能够直接从视频数据中并行测量多个流体动力学参数，系数估计值的标准差较低（例如 f₁ = (3.80 ± 0.10) × 10⁻² s⁻¹）。
• 重建的PDE与输入数据在定量上一致，包括密度和速度动力学，经由与模拟快照和实验轨迹的视觉及统计比较得到验证。