深度神经网络在玻璃无序结构中发现了什么
无序系统与神经网络
2022-12-20 v3 材料科学
软凝聚态物质
统计力学
机器学习
摘要
玻璃转变在各种软物质系统中被广泛观察到。然而，尽管多年来雄心勃勃的研究，这些转变的物理机制仍然难以捉摸。特别是，一个重要的未解问题是玻璃转变是否伴随特征静态结构关联长度的分歧。在本研究中，我们开发了一种基于深度神经网络的方法，仅从瞬时粒子构型中提取特征局部介观结构，而不使用任何关于动力学的信息。我们首先训练一个神经网络来正确分类液体和玻璃的构型。然后，我们通过使用梯度加权类激活映射（Grad-CAM）量化网络所作决策的依据来获得特征结构。我们考虑了两种定性不同的成玻璃二元体系，并通过与若干既有结构指标的对比，证明我们的系统可用于识别依赖于体系细节的特征结构。此外，所提取的结构与热涨落中的非平衡老化动力学显著相关。
引用
@article{arxiv.2208.00349,
title = {What Do Deep Neural Networks Find in Disordered Structures of Glasses?},
author = {Norihiro Oyama and Shihori Koyama and Takeshi Kawasaki},
journal= {arXiv preprint arXiv:2208.00349},
year = {2022}
}
备注
16+12 pages, 8+10 figures