表征玻璃态系统的笼态及其对冻结边界的敏感性
软凝聚态物质
2026-01-09 v2
摘要
理解结构在玻璃态系统中所观察到的动力学禁闭中扮演的角色，仍然是一个开放性挑战。在过去十年中，机器学习(ML)策略已成为探究这种结构-动力学关系的重要工具，特别是在从局部结构预测非均匀玻璃态动力学方面。最近的一项进展是引入了笼态这一结构量，它捕捉了在禁止重排时粒子的平均位置。在笼禁闭区域内，基于笼态训练的线性模型已被证明优于仅在初始构型上训练的更复杂的ML方法。在本文中，我们更详细地探讨了与笼态相关的性质，以更好地理解为什么它能作为如此有效的动力学预测器。具体而言，我们研究了二元硬球混合物中的笼态如何受堆积分数和边界条件的影响。我们的结果表明，随着系统接近玻璃态区域，笼态越来越受到长程结构效应的影响。这种影响在其对粒子动力学的预测能力以及笼态的内部结构中都很明显，表明笼态可能与某种形式的非晶生长结构长度尺度相关。
引用
@article{arxiv.2507.16339,
title = {Characterizing the cage state of glassy systems and its sensitivity to frozen boundaries},
author = {Rinske M. Alkemade and Frank Smallenburg and Laura Filion},
journal= {arXiv preprint arXiv:2507.16339},
year = {2026}
}