基于简单特征的原子的无监督环境学习

我提出了一种基于简单旋转与置换不变的三体特征，对分子模拟中局域原子环境进行无监督流形学习的策略。这些特征具有高度描述性，可推广至多种化学物种，且可被人类解释。每个原子环境的低维嵌入可用于理解和量化杂乱的晶体结构（如界面与缺陷附近者）或有序晶体晶格（如块体材料中者）而无需修改。同一方法也可产生描述粒子集合（如整个模拟域）的集体变量。我在胶体结晶、冰晶体和二元中间相上演示了该方法，以说明其广泛适用性。在每种情况下，学习到的潜空间都对所观察微结构的细节提供了洞见。对于冰和中间相，基于所学流形训练了有监督分类器，并与近期基于神经网络的方法直接比较。值得注意的是，该方法在提供可比分类性能的同时，也可仅部署于少量无标签或无需先验知识的观测环境上。因此，当前方法提供了一种极其通用的策略来表征和分类局域原子环境，并可能在多种分子模拟情境中揭示洞见。