通过机器学习寻找玻璃中的缺陷
摘要：控制玻璃的动力学、热力学和力学性能的是结构缺陷。例如，在非常低的温度下，罕见的量子隧道双能级系统(TLS)支配着玻璃的物理学。由于它们的密度极低，直接在计算机模拟中识别它们是非常困难的。我们引入了一种机器学习方法，可以高效地探索玻璃模型的势能景观，并识别所需的缺陷类别。我们特别关注TLS，并设计了一种算法，能够快速预测由经典模拟产生的任意两个非晶态配置之间的量子分裂。这反过来使我们可以将计算工作转移到收集和识别更多TLS上，而不是对非隧道缺陷进行无用的表征，后者更为丰富。最后，我们解释了我们的机器学习模型，以了解如何识别和表征TLS，从而直接揭示其微观本质。 标题：机器学习方法辅助识别玻璃中的量子隧道双能级系统
作者：Simone Ciarella, Dmytro Khomenko, Ludovic Berthier, Felix C. Mocanu, David R. Reichman, Camille Scalliet and Francesco Zamponi
论文ID：2212.05582
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2023-07-19