通过机器学习实现对过冷液体中空间和动态异质性的自动表征
摘要：一个使用机器学习算法中的主成分分析（PCA）结合K-means和高斯混合（GM）聚类方法的计算方法用于识别过冷液体的结构和动态异质性。在这种方法中，通过粒子位置计算出的粒子平均加权配位数（overline{WCNs}）的集合被用作一个序参量，来构建一个低维特征（结构）空间的表示，以便进行K-means聚类从而将系统中的粒子分成几个介观态。通过与一些被错误分类的界面粒子相关的介观态粒子身份的直接映射，在配置（实际）空间中也形成了纳米区域或聚集簇。这些分类的不确定性可以通过一个协同学习策略来改进，该策略利用概率GM聚类和结构空间与配置空间之间的信息传递进行迭代直到收敛。在结构空间的最终分类和配置空间的区域在长时间内是稳定的，并且被测量为具有动态异质性。利用这种分类协议，对这些区域的热力学和动力学性质进行的各种研究表明，观察到的异质性是淬火到过冷状态后液液相分离的结果。
作者：Viet Nguyen and Xueyu Song
论文ID：2304.03469
分类：Statistical Mechanics
分类简称：cond-mat.stat-mech
提交时间：2023-09-01