由人工神经网络预测的玻璃形成液体的阿伦尼乌斯交叉温度

阿伦尼乌斯交叉温度 $T_{A}$ 对应于这样一种热力学状态：液体的原子动力学变得异质且协同；且在低于 $T_{A}$ 的温度下，扩散动力学的活化势垒变为温度依赖的。对于一些类型的材料，特别是硅酸盐和硼酸盐，该温度的理论估计是困难的。在这些材料中，自扩散作为温度 $T$ 的函数由阿伦尼乌斯定律重现，其中活化势垒实际上与温度 $T$ 无关。本工作的目的是建立阿伦尼乌斯交叉温度 $T_{A}$ 与直接关联其玻璃形成能力的液体物理性质之间的关系。使用机器学习模型，计算了不同组成的硅酸盐、硼酸盐、有机化合物和金属熔体的交叉温度 $T_{A}$。应用了玻璃转变温度 $T_{g}$、熔化温度 $T_{m}$、这些温度之比 $T_{g}/T_{m}$ 和脆度指数 $m$ 的经验值作为输入参数。已确定温度 $T_{g}$ 和 $T_{m}$ 是显著参数，而它们的比值 $T_{g}/T_{m}$ 和脆度指数 $m$ 与温度 $T_{A}$ 相关性不大。本工作的一个重要结果是关联温度 $T_{g}$、$T_{m}$ 和 $T_{A}$ 的解析方程，并且从代数角度看，该方程是一个二阶曲面方程。已表明该方程允许正确估计大类材料的温度 $T_{A}$，无论其组成和玻璃形成能力如何。