连接基本机制与AI算法的循环路径：以非晶网络泊松比调控为例
软凝聚态物质
2024-07-11 v3 机器学习
摘要
"AI for science"被广泛认为是科学研究的未来趋势。目前，尽管机器学习算法在科学研究中发挥了重要作用，有许多成功案例，但AI帮助研究人员揭示某一现象背后的物理机制，并随后利用该机制提高机器学习算法效率的实例相对较少。本文以研究极端泊松比值与非晶网络结构之间的关系为例，说明机器学习方法如何帮助揭示潜在的物理机制。在认识到泊松比依赖于动力学矩阵的低频振动模式后，我们可以使用卷积神经网络，在动力学矩阵上训练（而不是传统的图像识别），以更高的效率预测非晶网络的泊松比。通过这个例子，我们旨在展示人工智能在揭示基本物理机制方面可以发挥的作用，从而显著改进机器学习算法。
引用
@article{arxiv.2312.03404,
title = {A cyclical route linking fundamental mechanism and AI algorithm: An example from tuning Poisson's ratio in amorphous networks},
author = {Changliang Zhu and Chenchao Fang and Zhipeng Jin and Baowen Li and Xiangying Shen and Lei Xu},
journal= {arXiv preprint arXiv:2312.03404},
year = {2024}
}
备注
15 pages, 5 figures