基于偶极相关函数预测无定形单层碳的宏观性质

由于缺乏统一描述无定形材料无程度的方法，建立无定形材料的结构-性质关系一直是长期的巨大挑战。本文开发了 SPRamNet，这是一个基于神经网络的机器学习管线，有效预测无定形材料的结构-性质关系。将 SPRamNet 应用于最近发现的无定形单层碳，我们成功预测了其热力学和电子性质。更重要的是，我们发现偶极相关函数的一个短程范围即可对无定形材料的结构信息进行充分编码。利用强大的机器学习架构，这些编码信息可以被解码以重建涉及多体相互作用和长程相互作用的宏观性质。建立这一隐藏关系为无程度的统一描述提供了可能，消除了测量原子结构的重负担，为研究无定形材料开辟了新途径。