IceCoder：使用变分自编码器识别分子模拟中的冰相

由于冰的相空间复杂且多变，包含众多晶体和非晶形态，在分子模拟中识别和分类不同冰相是一项具有挑战性的任务。传统的序参数通常难以区分这些相，特别是在热涨落条件下。在本工作中，我们提出了一种新的基于机器学习的框架 IceCoder，它将变分自编码器（VAE）与 Smooth Overlap of Atomic Positions（SOAP）描述符相结合，以有效地对大量冰相进行分类。我们的方法使用 VAE 将高维 SOAP 向量压缩到二维潜在空间中，促进了各种冰相的可视化和区分。我们在通过分子动力学（MD）模拟生成的综合数据集上训练了该模型，并展示了其在分子水平上准确检测各种晶体冰相以及液态水的能力。IceCoder 为在模拟中跟踪冰相变提供了稳健且可泛化的工具，克服了传统方法的局限性。这种方法也可以推广到检测其他分子晶体中的多晶型物，从而为成核、生长和相变背后的微观机制提供新见解，同时保持计算效率。