基于神经网络的相分类：在过冷、多晶型核软化混合物中的应用
软凝聚态物质
2021-12-15 v3 计算物理
摘要
软物质体系相的表征是许多物理化学问题中面临的挑战。对于多晶型流体，这一挑战更为严峻。具体而言，如水的玻璃形成流体除固态多晶型外，还可具有多个液态与玻璃态相，甚至存在液-液临界点。在此意义上，我们应用神经网络（NN）算法分析核软化CSW流体混合物的相行为，该混合物具有类似于水的液态多晶型与液-液临界点。我们还将NN应用于CSW流体与核软化醇模型的混合物。我们结合并扩展了基于键取向序参量的两种方法以研究混合物，这两种方法分别由Boattini及其合作者应用于硬核流体混合物[Molecular Physics 116, 3066-3075 (2018)]以及由Martelli及其合作者应用于过冷水[The Journal of Chemical Physics 153, 104503 (2020)]，以纳入更长程的配位壳层。由此，训练后的神经网络（NN）能够高效且准确地预测纯CSW及CSW-醇混合物中的晶态固相、流体相与非晶相。不仅如此，从NN方法获得的相丰度信息有助于判断相变是连续还是不连续的，并可解释亚稳非晶区如何沿稳定高密度流体相扩展。这些发现有助于理解过冷多晶型流体的行为，并增进对两亲性溶质如何影响相行为的认识。
引用
@article{arxiv.2106.13189,
title = {Phase classification using neural networks: application to supercooled, polymorphic core-softened mixtures},
author = {Vinicius F. Hernandes and Murilo S. Marques and José R. Bordin},
journal= {arXiv preprint arXiv:2106.13189},
year = {2021}
}