过冷液体的无监督机器学习
无序系统与神经网络
2024-04-26 v2
摘要
揭示结构信息与过冷液体动态性质之间的关系是物理学的一大挑战。以粒子倾向性为特征的动态异质性常被用作动态减缓的代理。在这项工作中，我们引入了一种基于时间滞后自编码器（TAE）的无监督机器学习方法，以阐明结构特征对过冷液体长期动态异质性的影响。TAE使用自编码器从时间 t 的输入特征重建时间 t+Δt 的特征，针对单个粒子，并将得到的潜在空间变量视为序参量。在Kob-Andersen系统中，当 Δt 比弛豫时间小约一千倍时，TAE序参量与长期倾向性表现出显著相关性。我们发现，需要所有长度尺度上的径向特征来捕捉长期动力学，这与最近的模拟结果一致。这表明结构特征的波动包含了关于长期动态异质性的足够信息。
引用
@article{arxiv.2404.04473,
title = {Unsupervised machine learning for supercooled liquids},
author = {Yunrui Qiu and Inhyuk Jang and Xuhui Huang and Arun Yethiraj},
journal= {arXiv preprint arXiv:2404.04473},
year = {2024}
}