机器学习“软度”的动力学描述了超冷液体的动力学异质性

超冷液体的动力学随冷却过程变慢并变得越来越异质。最近，基于机器学习识别的局部结构变量，如“软度”，已成为局部动力学的预测器。本文构建了一个利用软度来描述超冷液体动力学异质性结构来源的模型。在该模型中，颗粒重新排列的概率由其软度决定，每一次重新排列都会引起相邻颗粒软度的变化，从而描述了促进作用。我们展示了如何确保这些变化遵循液体动力学的基本时间反演对称性。该模型再现了动力学异质性的显著特征，并展示了如何在较短的软度相关长度尺度下，从长时间尺度上产生长程动力学相关性。