基于机器学习的大规模分子动力学数据摩擦变形图案解释
材料科学
2025-12-08 v1 机器学习
摘要
分子动力学（MD）仿真已成为探索原子尺度摩擦变形图案的必备工具。然而，将 resulting 的高维数据转化为可解释的变形图案映射过程仍然资源密集且 largely 手动。本文引入一种数据驱动的工作流程，使用无监督和监督学习自动化这一解释步骤。首先通过自编码器将来自 CuNi 合金仿真的晶粒取向着色的计算断层图压缩为 32 维的全局特征向量。尽管进行了强压缩，重构图像仍保留关键微结构图案：晶界、堆积错位、双晶和部分晶格旋转，而仅遗漏最细微的缺陷。所学得的表征然后与仿真元数据（成分、负载、时间、温度和空间位置）结合，用于训练 CNN-MLP 模型预测主导变形图案。resulting 模型在验证数据上的预测准确率约为 96%。一种细化的评估策略——排除包含不同晶粒的整个空间区域——提供了更稳健的泛化度量。该方法表明，从结构图像中可以自动识别和分类基本摩擦变形特征。此概念验证是通用、数据驱动构建摩擦机械图谱的第一步，最终指向可能减少大规模 MD 仿真活动需求的预测建模框架。
引用
@article{arxiv.2512.05818,
title = {Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data},
author = {Hendrik J. Ehrich and Marvin C. May and Stefan J. Eder},
journal= {arXiv preprint arXiv:2512.05818},
year = {2025}
}
备注
19 pages, 11 figures