标题： 通过从粒子动力学中学习流体动力学方程来估计活性物质集体行为的空间和时间尺度 显示英文标题

标题： Estimation of spatial and time scales of collective behaviors of active matters through learning hydrodynamic equations from particle dynamics

摘要： 我们提出了一种数据驱动的框架，用于从活性物质的基于粒子的模拟中学习流体力学方程。 我们的方法在空间和时间上利用粗粒化，以弥合微观粒子动力学与宏观连续模型之间的差距。 通过采用谱表示和稀疏回归，我们高效地估计部分微分方程（PDEs），这些方程捕捉了群体行为，如 flocking 和相分离。 这种方法通过维茨克模型和活性布朗粒子的流体力学描述进行了验证，展示了数据驱动策略在揭示活性物质系统中群体动力学普遍特征方面的潜力。 显示英文摘要

摘要： We present a data-driven framework for learning hydrodynamic equations from particle-based simulations of active matter. Our method leverages coarse-graining in both space and time to bridge microscopic particle dynamics with macroscopic continuum models. By employing spectral representations and sparse regression, we efficiently estimate partial differential equations (PDEs) that capture collective behaviors such as flocking and phase separation. This approach, validated using hydrodynamic descriptions of the Vicsek model and Active Brownian particles, demonstrates the potential of data-driven strategies to uncover the universal features of collective dynamics in active matter systems.