多尺度建模大部分针对的是物理现象,对于数据信息利用的多尺度建模方法由于应用领域介于物理模型和人的认知模型之间,目前的研究仅仅是对物理现象的数据分解,进一步如何处理得同人的认知机理联系起来,使不远的将来的研究热点.
但是看看物理对象的多尺度建模的发展现状,有助于数据信息利用的多尺度建模的研究,下面是部分对这方面的看法,希望能有所帮助.
多尺度建模目前的状态是什么?关于多尺度建模的研究目前来看可以说很很“热”。已经形成了一些很受欢迎的方法,例如Car-Parrinello方法,最近的准连续化方法。形成了一些很受欢迎的思想观点,例如原子连续混合化方法,微尺度模型预处理结果作为宏观模型输入的方法。与此同时,在模型实现方面也存在普遍着的问题,例如不同等级物理模型之间的匹配条件问题。
由于这是很热门的方向,因此很有必要小心处理这些迅速生成的信息。毫无例外,目前提出的多尺度建模技术大部分都没有经过真实的具有挑战性的问题的检验,大部分工作仍停留在概念验证层次上,很少经过了检验结果的严格流程。大部分只是满足于形成适当好看的图片。关于误差控制的分析结果几乎没有。而且,一些提出的多尺度方法比直接对原始的微尺度问题计算还要昂贵。
从数学的角度来看,为形成统一的框架进行多尺度方法研究还是值得的。到目前为止,HMM(heterogeneous multiscale method,异类多尺度方法)似乎是很合理的选择。几类问题已经用这种框架解决了,其中包括固体和液体动力学、分界面动力学原子连续建模,同质化问题。另外,还有几类方法也采用这种框架进行了分析,例对同质化问题、偏微分方程的异类多尺度方法,随机偏微分方程的多尺度方法,和准连续化方法。但是需要强调的是HMM对大部分有趣问题仅开了个头,大量复杂的实际问题仍然存在。尽管HMM很容易将宏观-微观结合,但是它不能宏观-微观耦合的所有问题。对耦合的其它问题的解决无论对HMM还是其它耦合策略(例如顺序耦合)都是很有用的。
最后需要注意的是,大部分多尺度建模工作是在处理想流体那样的同质系统。对于像大分子这类高异质系统的研究相对很少,在不远的将来这毋庸置疑将成为很重要的研究领域。
参考文献:
Some Recent Progress in Multiscale Modeling
Weinan E1,2, Xiantao Li2, and Eric Vanden-Eijnden3
1 Mathematic Department, Princeton University, Princeton, NJ 08544
2 PACM, Princeton University, Princeton, NJ 08544
3 Courant Institute, New York University, New York, NY 10012 |