Моделирование межфазных явлений: новый взгляд с помощью машинного обучения
![Исследования демонстрируют, что поправки к физически обоснованному DFT-приближению, а именно [latex]\phi\_{\theta}^{(1,3)}[/latex] и [latex]\phi\_{\theta}^{(2,4)}[/latex], позволяют точно моделировать плотность адсорбированной жидкости, воспроизводя как объемную бинодаль с корректными областями жидкости и газа, так и структуру слоев жидкости у стенки и наклон границы раздела фаз жидкость-пар.](https://arxiv.org/html/2512.23840v1/images/def/correction_effects.png)
Исследователи объединили классическую теорию функционала плотности с алгоритмами машинного обучения для более точного и эффективного моделирования сложных физических процессов, таких как смачивание.
![Исследование демонстрирует, как альтернативные представления ненаблюдаемой скрытой переменной [latex]U[/latex] оказывают существенное влияние на обоснованность предположений, лежащих в основе приближённого причинного вывода, причём модификации, включающие совместную конструкцию [latex]U_{1,2} = (U_1, U_2)[/latex] или введение дополнительной ненаблюдаемой переменной [latex]U_2[/latex], могут кардинально изменить интерпретацию причинных связей в направленном ациклическом графе.](https://arxiv.org/html/2512.24413v1/x4.png)







