利用结构约束神经网络解读金属玻璃中热激活的 $\beta$ 动力学
软凝聚态物质
2024-03-19 v1
摘要
揭示影响非晶固体动力学的结构因素至关重要。尽管深度学习有助于探索这些复杂性，但透明度问题依然存在。受原型神经网络在图像分析领域成功应用的启发，本研究引入了一种新的机器学习方法，以应对玻璃态研究中面临的可解释性挑战。与仅从结构输入预测动力学的传统机器学习模型不同，改进后的神经网络在训练阶段还尝试学习各种动力学模式下的结构原型。这种学习到的结构约束可作为解释结构差异如何影响动力学的突破口。我们进一步使用所提出的模型探索了 CuZr 金属玻璃中局部结构与活化能之间的相关性。基于这一可解释模型，我们展示了具有不同活化能的粒子之间存在显著的结构差异。从该分析中获得的见解为揭示非晶合金结构非均匀性的起源提供了数据驱动的解决方案，为理解非晶材料做出了宝贵贡献。
引用
@article{arxiv.2401.03743,
title = {Towards interpreting the thermally activated $\beta$ dynamics in metallic glass with the structural constraint neural network},
author = {Xiao Jiang and Zean Tian and Kenli Li and Wangyu Hu},
journal= {arXiv preprint arXiv:2401.03743},
year = {2024}
}