用于从静态结构学习玻璃态动力学平滑性的几何增强图神经网络
无序系统与神经网络
2023-10-18 v2 软凝聚态物质
摘要
理解玻璃态系统的动力学过程仍然具有挑战性。近期进展表明，图神经网络（GNNs）在确定玻璃态系统中结构与动力学之间的关联方面具有强大能力。这些方法将玻璃态系统视为拓扑图。然而，图上动力学的固有“平滑性”性质（动力学在图上的变化）被忽略，导致 GNN 在不同时间尺度上的动力学预测性能下降。本文中，我们首先从图的角度对粒子动力学的平滑性模式进行了实验性考察。结果表明，长时间动力学在图上表现出更平滑的性质，而短时间动力学呈现出明显的非平滑模式。为建立具有不同平滑性模式的静态结构与动力学之间的关系，我们提出了一种新颖的几何增强图神经网络（Geo-GNN）模型。Geo-GNN 架构由一个几何特征编码器和一个几何增强聚合块组成，前者融合旋转不变的距离与角度以增强几何特征学习，后者能在消息传递过程中自适应地学习潜在的平滑性模式。实验结果表明，我们的方法能够捕捉粒子的固有平滑性模式，并在所有时间尺度的动力学预测上优于当前最优基线。后续研究揭示，几何特征对于模型准确捕捉动力学中的平滑性模式至关重要。我们的研究不仅改进了预测玻璃态动力学的方法，也为考察玻璃中动力学异质性的因果问题提供了新视角。
引用
@article{arxiv.2211.12832,
title = {Geometry-enhanced graph neural network for learning the smoothness of glassy dynamics from static structure},
author = {Xiao Jiang and Zean Tian and Kenli Li},
journal= {arXiv preprint arXiv:2211.12832},
year = {2023}
}