高维序列参数和神经网络分类器应用于无形冰.
Zoé Faure Beaulieu1, Volker L Deringer1, Fausto Martelli2,3
1Inorganic Chemistry Laboratory, Department of Chemistry, University of Oxford, Oxford OX1 3QR, United Kingdom.
The Journal of chemical physics
|February 29, 2024
概括
本研究探讨了无形冰相,包括低密度 (LDA) 和中密度 (MDA) 的无形冰. 研究人员发现,由于结构相似,MDA很难与LDA区分.
科学领域:
- 凝聚物质物理学 凝聚物质物理学
- 材料科学是一种材料科学.
- 物理化学 物理化学
背景情况:
- 无形冰相是水复杂结构的关键组成部分.
- 了解这些阶段对于理解水在各种条件下的行为至关重要.
- 水中的多态性涉及不同无形状态之间的过渡.
研究的目的:
- 研究水的多态性质,重点研究低密度无形冰 (LDA),高密度无形冰 (HDA) 和中密度无形冰 (MDA).
- 用先进的顺序参数来描述无形冰中的局部氧气环境.
- 评估MDA在无形冰结构景观中的独特性.
主要方法:
- 利用旋转不变的,高维的顺序参数来描述局部对称性.
- 使用神经网络对局部氧气环境进行分类.
- 分析了无形冰相之间的结构相似性和差异.
主要成果:
- 开发了一种方法来描述无形冰中的局部环境.
- 确定了MDA和LDA之间显著的结构相似之处.
- 根据目前的结构分析,强调区分MDA和LDA的挑战.
结论:
- 无形冰的结构景观很复杂,阶段之间有微妙的差异.
- 当前的方法在明确区分MDA和LDA时面临挑战.
- 开发的方法提供了分析其他无序材料的潜力.


