Reductions of the self-consistent mean field theory model of amphiphilic molecule in solvent leads to a singular family of Functionalized Cahn-Hilliard (FCH) energies. We modify the energy, removing singularities to stabilize the computation of the gradient flows and develop a series of benchmark problems that emulate the "morphological complexity" observed in experiments. These benchmarks investigate the delicate balance between the rate of arrival of amphiphilic materials onto an interface and least energy mechanism to accommodate the arriving mass. The result is a trichotomy of responses in which two-dimensional interfaces grow by a regularized motion against curvature, pearling bifurcations, or curve-splitting directly into networks of interfaces. We evaluate second order predictor-corrector time stepping schemes for spectral spatial discretization. The schemes are based on backward differentiation that are either Fully Implicit, with Preconditioned Steepest Descent (PSD) solves for the nonlinear system, or linearly implicit with standard Implicit-Explicit (IMEX) or Scalar Auxiliary Variable (SAV) approaches to the nonlinearities. All schemes use fixed local truncation error to generate adaptive time-stepping. Each scheme requires proper preconditioning to achieve robust performance that can enhance efficiency by several orders of magnitude. The nonlinear PSD scheme achieves the smallest global discretization error at fixed local truncation error, however the IMEX scheme is the most computationally efficient as measured by the number of Fast Fourier Transform calls required to achieve a desired global error. The performance of the SAV scheme performance mirrors IMEX, at roughly half the computational efficiency.


翻译:溶剂中闪光分子自相矛盾的表面理论模型的减少自相矛盾,导致一个单一的功能化Cahn-Hilliard(FCH)能量组合。我们修改能量,去除奇数以稳定梯度流的计算,并开发一系列基准问题,仿效实验中观察到的“形态复杂性”。这些基准调查非闪烁材料到达接口和最能量机制以适应到达质量的精确度之间的微妙平衡。结果是三重反应,其中二维误差界面通过对曲线曲线、珠子双形或曲线直接分割成界面网络的固定运动而增长。我们评估第二顺序预测或校正或时间阶梯度计划,以光谱空间分解为样。这些基准基于落后的偏差,要么完全隐含非线性深底底线系统(PSD)的到达速度,要么以标准不直线(IMEX)或Scalal Aquile变离子(SAV)的精确度组合,通过非直径直径直径折的精确性精确度计算方法实现最精确的精确的精确的精确性效率。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
17+阅读 · 2020年9月6日
《常微分方程》笔记,419页pdf
专知会员服务
71+阅读 · 2020年8月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
5+阅读 · 2018年2月28日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
自然语言处理(二)机器翻译 篇 (NLP: machine translation)
DeepLearning中文论坛
10+阅读 · 2015年7月1日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
5+阅读 · 2018年2月28日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
自然语言处理(二)机器翻译 篇 (NLP: machine translation)
DeepLearning中文论坛
10+阅读 · 2015年7月1日
Top
微信扫码咨询专知VIP会员