利用人工嵌套神经网络机器学习玻璃笼化序参量
无序系统与神经网络
2022-09-07 v2 软凝聚态物质
统计力学
摘要
在玻璃转变附近，过冷液体的动力学急剧变慢，表现为粒子的笼化，而结构变化依旧细微。不同于近期寻找玻璃动力学结构预测因子的机器学习研究，本文提出直接学习纯粹依据动力学定义的粒子笼化特征。我们聚焦于模拟硬球玻璃模型中的三个转变：超稳玻璃的熔化、Gardner 转变以及液体到普通玻璃的转变。通过基于两级嵌套神经网络实现机器学习算法，我们不仅获得了所有三个转变的恰当笼化序参量，还对输入样本给出了相分类。对相分类结果的有限尺寸标度分析确定了熔化（一级）与 Gardner（二级）转变的级次。由于液体到玻璃转变被指示为交叉而非具有明确转变点的相变，从而避免了假阳性。本研究为在极少系统特定知识要求下学习玻璃系统动力学特征的通用量方法铺平了道路。
引用
@article{arxiv.2111.05573,
title = {Machine learning glass caging order parameters with an artificial nested neural network},
author = {Kaihua Zhang and Xinyang Li and Yuliang Jin and Ying Jiang},
journal= {arXiv preprint arXiv:2111.05573},
year = {2022}
}
备注
19 pages, 21 figures