预测二维二氧化硅玻璃的失效

能够基于结构信息预测材料的失效，是一个对设备和部件监测具有巨大实际与工业意义的根本性问题。得益于深度学习的最新进展，即使对于强无序固体，精确的失效预测也正在成为可能，但过程中使用的庞大参数量使得对结果的物理解释变得不可能。在此，我们着手解决这一问题，使用机器学习方法从模拟的二维二氧化硅玻璃的初始未变形结构预测其失效。然后，我们利用梯度加权类激活映射 (Grad-CAM) 构建与预测相关的注意力图，并证明这些图可以从拓扑缺陷和局部势能的角度进行物理解释。我们表明，我们的预测可以迁移到形状或尺寸不同于训练所用样本的样品上，也可以迁移到实验图像上。我们的策略展示了用数值模拟结果训练的人工神经网络如何能够对实验测量结构的行为提供可解释的预测。