通过精确定位局域笼态改进玻璃态动力学预测
软凝聚态物质
2023-04-19 v1 统计力学
摘要
玻璃态流体中结构与时动力学之间的关系仍是一个引人入胜的开放问题。近期研究表明，利用结构特征预测局域动力学的能力取得了显著进展，这主要归功于先进机器学习技术的应用。在此，我们探究一种结合智能选取的结构序参量的简单线性回归算法，能否达到当前最先进机器学习方法预测动力学倾向性（dynamic propensity）的精度。为此，我们引入一种精确定位初始构型笼态（cage state）的方法——即由禁止粒子重排时的平均粒子位置所构成的构型。我们发现，与初始态和本征态相比，笼态的结构对系统长时间动力学具有高度预测性。此外，通过将笼态信息与初始态结合，我们能够在广泛的时间尺度（包括笼蔽 regime）上以空前的高精度预测动力学倾向性。
引用
@article{arxiv.2301.13106,
title = {Improving the prediction of glassy dynamics by pinpointing the local cage},
author = {Rinske M. Alkemade and Frank Smallenburg and Laura Filion},
journal= {arXiv preprint arXiv:2301.13106},
year = {2023}
}