用于预测金属玻璃形成能力的分子动力学特征温度

我们探索利用分子动力学导出的特征温度来预测金属玻璃形成能力（GFA）的若干方面。将自扩散、黏度和能量的冷却曲线所得温度作为 GFA 机器学习模型的特征。我们探讨了这些特征与多种目标及模型组合。首先，我们以临界铸造厚度的对数 $log_{10}(D_{max})$ 为目标，在 21 种成分上训练回归模型。对这 21 个 $log_{10}(D_{max})$ 合金应用 3 折交叉验证，显示模型预测与目标值之间仅存在弱相关。其次，合金的 GFA 通过熔体旋甩或吸铸非晶化行为进行量化：合成后呈现晶相的合金归为差 GFA，呈现纯非晶相的归为好 GFA。随后使用基于决策树的方法（随机森林与梯度提升模型）对二分类 GFA 建模，并以嵌套交叉验证评估。以好玻璃形成能力为正类时，最佳模型类型的精确率-召回率最大 F1 分数为 $0.82 \pm 0.01$。我们还比较了以特征温度本身的简单函数替代温度作为特征，发现预测能力无统计显著差异。尽管此处所建模型预测能力有限，本工作清晰表明可利用分子动力学模拟与机器学习预测金属玻璃形成能力。