ViscNet：用于预测脆度指数与黏度温度依赖性的神经网络
计算物理
2021-03-17 v3 无序系统与神经网络
软凝聚态物质
摘要
黏度(η)是无序物质最重要的性质之一。黏度的温度依赖性被用于调整从熔化到退火的玻璃制造工艺变量。本工作的目标是开发一种物理信息机器学习模型，能够预测氧化物液体的η(T)。该神经网络(NN)不预测黏度本身，而是预测MYEGA黏度方程的参数：液体的脆度指数、玻璃转变温度和渐近黏度。利用这些参数，可在任意感兴趣的温度下计算η，并具有MYEGA方程固有的良好外推能力优势。数据集收集自SciGlass数据库；仅选取在高黏度和低黏度区域具有足够数据点的氧化物液体，最终得到包含847种不同液体、17584个数据点的数据集。从液体化学组成中构建了约600个特征，并通过特征选择协议筛选出其中35个特征。采用随机搜索和贝叶斯策略在一系列实验中对该NN的超参数(HP)进行调优，共测试了700组HP。将最成功的HP组进一步用10折交叉验证测试，选取平均验证损失最低者作为最佳组。最终训练好的NN用一个包含85种与训练及验证所用成分不同的液体的测试集进行测试，测试集预测的R²为0.97。本工作具有三个优势：该模型可预测黏度以及液体的玻璃转变温度和脆度指数；该模型的设计与训练侧重于外推；最后，该模型作为基于GPL3许可的免费开源软件提供。
引用
@article{arxiv.2007.03719,
title = {ViscNet: Neural network for predicting the fragility index and the temperature-dependency of viscosity},
author = {Daniel R. Cassar},
journal= {arXiv preprint arXiv:2007.03719},
year = {2021}
}
备注
31 pages, 27 figures. Layout change. Added journal reference