通过使用结构约束神经网络来解释金属玻璃中的热激活β动态
Xiao Jiang1, Zean Tian1, Kenli Li1
1College of Computer Science and Electronic Engineering, Hunan University, Changsha 410012, China.
The journal of physical chemistry letters
|March 15, 2024
概括
这项研究引入了一种新的机器学习方法来解释无形固体动态. 该模型识别了与原子行为相关的结构动机,揭示了合金中异质性的起源.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 凝聚物质物理学 凝聚物质物理学
背景情况:
- 了解无形固体动力学至关重要,但具有挑战性.
- 深度学习提供了潜力,但在材料研究中面临着透明度问题.
- 现有的机器学习模型缺乏用于结构分析的解释性.
研究的目的:
- 开发一种可解释的机器学习模型,用于分析无形固体.
- 确定影响玻璃材料动态的结构-属性关系.
- 解决材料科学深度学习中的透明度挑战.
主要方法:
- 一个由图像分析启发的新型神经网络原型.
- 学习固体和液体类原子的独特结构图案.
- 将模型应用于CuZr合金,以将局部结构与激活能量相关联.
主要成果:
- 该模型成功地学习了可解释的结构图案.
- 证明了不同激活能量的原子之间的显著结构差异.
- 揭示了CuZr合金中局部原子结构和激活能之间的相关性.
结论:
- 开发的可解释模型为了解无形合金异质性提供了数据驱动的解决方案.
- 这种方法在解释结构差异如何影响动态方面取得了突破.
- 有助于更深入地了解无序材料中的结构-属性关系.


