使用机器学习从静态平均量中研究过冷液体的动力学
摘要：用机器学习方法预测超冷液体的复杂非马尔可夫动力学，不需要基于粒子倾向的技术，我们的方法建立在一个理论框架上，该框架利用系统平均量作为输入和输出，因此在实验环境中更容易应用，其中粒子细节信息不可用。在这项工作中，我们训练了一个深度神经网络，使用静态结构因子作为输入来预测二元混合物的自我中间散射函数。尽管模型在训练数据的温度范围内表现出色，但在较低的温度范围或类似的系统中，它仍然能够做出不错的预测。我们还开发了一种进化策略，能够构建出现实的记忆函数来描述观察到的非马尔可夫动力学。这种方法使我们得出结论，超冷液体的记忆函数可以有效地参数化为两个拉伸指数的总和，这在物理上对应于两个主导弛豫模式。
作者：Simone Ciarella, Massimiliano Chiappini, Emanuele Boattini, Marjolein Dijkstra and Liesbeth M. C. Janssen
论文ID：2212.09338
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2023-03-17