Physics-Guided Interpretable Machine Learning Framework for Anomalous Transport in Crowded Media with Tunable Flexibility
Este artigo apresenta uma estrutura de aprendizado de máquina interpretável guiada pela física que combina simulações de Dinâmica de Agrupamento Browniano com análise SHAP para desvendar quantitativamente os efeitos individuais e acoplados de aglomeração, composição e flexibilidade de ligação ajustável no transporte de partículas em meios congestionados, revelando a flexibilidade de ligação como um regulador distinto do relaxamento em redes coloidais heterogêneas.