几何特征和神经网络分类器用于检测集群中类似融化的过渡
Anirudh Krishnadas1, Maryam Moshi2, Ramon Alain Miranda Quintana3
1Department of Physics and Astronomy, York University, 4700 Keele Street, Toronto, Ontario M3J 1P3, Canada.
The Journal of chemical physics
|January 9, 2026
概括
在集群中检测融过渡更快,有四个新的功能,而不是热容量. 这些方法在材料科学模拟中提供了更快,更准确的点 (Tc) 估计.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 统计力学 统计力学
背景情况:
- 集群中类似融化的过渡通常通过过渡温度 (Tc) 的热容量 (C(T)) 的峰值来识别.
- 计算C(T) 需要数以百万计的步骤进行昂贵的计算模拟,从而限制了效率.
研究的目的:
- 引入四个易于计算的函数,用于检测和描述集群中类似融化的过渡.
- 与传统方法相比,提供更快,更准确的点 (Tc) 估计.
主要方法:
- 计算潜在能量分布 (WU) 的宽度.
- 分析原子间距离 (rij) 的统计数据,包括与全球最小值不相似,对分布峰周围的间隔计数,以及分布不均.
- 使用人工神经网络分类器来确定固体分数 (FS(T)) 并确定固体-液体共存区域 [Tf,Tm].
主要成果:
- 四个拟议的函数提供了与Tc在不同粘合类型 (范德瓦尔斯,共价,金属) 中一致的融区域的估计.
- 第三个函数和FS(T) 中的拐点作为相位过渡的高度敏感指标.
- 使用这些新方法的Tc估计比通过C(T) 获得的100到1000倍更快.
结论:
- 四个新功能,WU和原子间距离统计,为检测和描述集群融提供了一个有效的替代方案.
- 特定函数和固体分数计算中的拐点为相位过渡温度估计提供了快速的趋同.
- 这些方法显著减少了模拟时间,提高了研究材料融现象的可行性.
