BOTAN：通过机器学习相对运动预测缓慢玻璃态动力学的键 Targeting 网络
无序系统与神经网络
2023-03-01 v6 软凝聚态物质
统计力学
摘要
机器学习的最新进展使得对玻璃形成体系中缓慢结构弛豫动力学的准确预测成为可能。然而，现有的用于这些任务的机器学习模型大多被设计为学习单一的动力学量，并将其与玻璃液体的结构特征相关联。在本研究中，我们提出了一种图神经网络模型“BOnd TArgeting Network (BOTAN)”，除了粒子的自运动外，它还学习相邻粒子对之间的相对运动。通过将结构特征与这两个不同的动力学变量相关联，该模型自主获得了辨别不同动力学过程（应变涨落与粒子重排）如何影响经历缓慢弛豫的粒子自运动的能力，从而能够高精度地预测缓慢结构弛豫如何在空间和时间中发展。
引用
@article{arxiv.2206.14024,
title = {BOTAN: BOnd TArgeting Network for prediction of slow glassy dynamics by machine learning relative motion},
author = {Hayato Shiba and Masatoshi Hanai and Toyotaro Suzumura and Takashi Shimokawabe},
journal= {arXiv preprint arXiv:2206.14024},
year = {2023}
}
备注
11 pages, 10 figures, a typo fixed in the title; accepted in J. Chem. Phys