利用机器学习表征二聚体与椭圆颗粒非晶堆积中的结构缺陷

对称颗粒非晶堆积中的结构缺陷可利用一种融合径向距离与角排列结构函数的机器学习方法来表征。这产生一个标量场，即软度（softness），其与颗粒即将重排的概率相关。然而，当颗粒形状为细长形（如二聚体与椭圆的情况）时，我们发现标准结构函数给出的软度测量不够精确。此外，椭圆呈现出的形变轮廓与圆形颗粒截然不同。为考虑取向与排列的影响，我们引入新的结构函数以恢复软度的预测性能，并揭示局域与扩展动力学的物理洞察。我们研究了一种模型无序固体：由单聚体、二聚体或椭圆完全构成、在单轴压缩下的双分散二维颗粒柱。我们展示了通过支持向量机计算软度如何借助新取向结构函数推广至二聚体与椭圆。接着，我们强调每种颗粒形状下重排与缺陷的空间范围及其互相关。最后，我们展示另一种机器学习算法——递归特征消除——如何提供途径以更好理解软度源于特定结构方面。我们识别出决定软度的最关键结构函数并讨论其物理含义。