基于分数去噪的冰相分类简化方法

准确识别冰相对于理解各种物理化学现象至关重要。然而，由于冰多晶型的复杂对称性和热涨落，对通过分子动力学模拟的结构进行此类分类变得复杂。为此，传统的序参量和数据驱动的机器学习方法都已被采用，但它们通常依赖于专家直觉、特定的几何信息或大型训练数据集。在这项工作中，我们提出了一种无监督的相分类框架，该框架将基于分数的去噪器模型与随后的无模型分类方法相结合，以准确识别冰相。去噪器模型在理想参考结构的扰动合成数据上进行训练，从而无需大型数据集和标注工作。分类步骤利用原子位置平滑重叠（SOAP）描述符作为原子指纹，确保了欧几里得对称性和对各种结构系统的可迁移性。我们的方法仅使用七个冰相的理想参考结构作为模型输入，就在测试轨迹的冰相区分中实现了显著的100%准确率。这证明了基于分数的去噪器模型在促进复杂分子系统相识别方面的泛化能力。所提出的分类策略可广泛应用于研究各种材料的结构演化和相识别，为从根本上理解水及其他复杂系统提供新的见解。