通过形状对称编码数据增强对粒子形状系统复杂局部环境的分类

检测和分析局部环境对于研究晶体成核和形状胶体粒子自组装的动力学过程至关重要。机器学习的最新发展为复杂系统中更好的序参量提供了有希望的途径，这些系统用传统方法难以研究。然而，机器学习在粒子形状系统自组装中的应用仍处于探索不足的阶段。为了填补这一空白，我们提出了一种简单、物理无关但强大的方法，包括使用粒子距离和取向等输入特征，训练多层感知机（MLP）作为粒子形状系统的局部环境分类器。我们的 MLP 分类器以有监督的方式进行训练，采用形状对称编码的数据增强技术，而无需任何传统的旋转平移不变对称函数。我们在涉及立方结构自组装、二维和三维斑块粒子形状系统、不同长径比的六方双锥体以及不同截断程度的截断形状的四种不同场景中评估了分类器的性能。所提出的训练过程和数据增强技术既简单又灵活，使得分类器能够轻松应用于涉及粒子取向的其他过程。因此，我们的工作为研究粒子形状系统的自组装过程提供了一个有价值的工具，在可以定义取向的任何基于粒子或分子系统的结构识别中具有潜在应用。