GCIceNet：用于水相精确分类的图卷积网络
软凝聚态物质
2020-12-30 v1 原子与分子团簇
计算物理
摘要
基于局部结构理解水分子的相对于理解其反常性质至关重要。然而，由于通过氢键形成的复杂结构基元，传统的序参量对水分子的代表是不完整的。在本文中，我们开发了 GCIceNet，它通过监督和无监督学习自动生成基于机器的序参量，用于分类水分子的相。GCIceNet 中的多个图卷积层可以学习复杂氢键网络的拓扑信息。它在预测体相系统以及冰/蒸气界面系统中水分子的相方面显示出准确性的大幅提升。相对重要性分析表明，GCIceNet 能够捕捉隐藏在输入数据中的给定系统的结构特征。借助分子动力学模拟提供的海量数据，GCIceNet 有望成为玻璃态液体及生物分子周围水合层领域的强大工具。
引用
@article{arxiv.2006.05677,
title = {GCIceNet: A Graph Convolutional Network for Accurate Classification of Water Phases},
author = {QHwan Kim and Joon-Hyuk Ko and Sunghoon Kim and Wonho Jhe},
journal= {arXiv preprint arXiv:2006.05677},
year = {2020}
}