使用可解释图形神经网络范式,一次量化一个原子的乱
James Chapman1,2, Tim Hsu3, Xiao Chen4
1Department of Mechanical Engineering, Boston University, Boston, MA, USA. jc112358@bu.edu.
Nature communications
|July 7, 2023
概括
我们开发了SODAS,一种使用图形神经网络来量化材料中的原子混乱的新度量. 这有助于了解结构变化如何影响材料性能和耐用性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 数据科学数据科学数据科学
背景情况:
- 量化原子失调对于理解材料特性和耐用性至关重要.
- 现有的方法可能无法完全捕捉复杂的本地结构环境.
研究的目的:
- 为局部原子失调开发一种可物理解释的度量.
- 建立一个连续的频谱来量化障碍.
- 将这个指标应用于各种物质系统和现象.
主要方法:
- 利用图形神经网络来定义以结构为导向的障碍分析谱 (SODAS) 度量.
- 对热扰动的量化局部原子配置多样性.
- 将SODAS指标应用于粒度边界,固体-液体接口,微观结构和断裂.
主要成果:
- 索达斯 (SODAS) 提供了一个连续的混乱光谱,将固体和液体相相结合起来.
- 在元素中展示了接口的时空跟踪.
- 从连续无序场中提取物理保存的梯度,用于故障预测.
结论:
- SODAS框架提供了一个可概括的途径来量化原子混乱.
- 这个度量将复杂的局部原子结构与宏观材料行为联系起来.
- 能够更好地预测材料性能和故障机制.
