🔬 condensed matter

Physics-Informed Symbolic Regression for Predicting the Glass Transition Temperature of Alkali Borate Glasses

Dit artikel toont aan dat natuurkundig geïnformeerde symbolische regressie, gebruikmakend van de Rigid Unit Packing Fraction-descriptor, succesvol een interpreteerbaar gesloten vormmodel afleidt voor het voorspellen van de glasovergangstemperatuur van alkali-booratglazen met hoge nauwkeurigheid, terwijl het expliciet de fysieke wisselwerking tussen structurele stijfheid, dissociatie-energie en netwerkverpakking vastlegt.

Oorspronkelijke auteurs: Leonardo dos Santos Vitoria, Marcio Luis Ferreira Nascimento, Susana de Souza Lalic, Daniel Roberto Cassar

Gepubliceerd 2026-08-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Leonardo dos Santos Vitoria, Marcio Luis Ferreira Nascimento, Susana de Souza Lalic, Daniel Roberto Cassar

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Glas is een materiaal dat de strikte regels van kristallen tart. Terwijl een kristal zijn atomen in een perfect, herhalend patroon moet ordenen, is glas een bevroren vloeistof, een chaotische wirwar van atomen die te snel is afgekoeld om orde te vinden. Dit gebrek aan een rigide structuur geeft glas zijn ongelooflijke veelzijdigheid, waardoor wetenschappers chemische ingrediënten kunnen mengen en combineren om materialen te creëren voor alles van vensterruiten tot stralingsschilden. Een van de meest kritieke eigenschappen van elk glas is de glastransitietemperatuur, het specifieke punt waar het materiaal overgaat van een harde, brosse vaste stof naar een zachte, buigzame staat. Het kennen van deze temperatuur is essentieel voor de productie, maar het voorspellen ervan voor nieuwe mengsels is lang een uitdaging geweest. De complexiteit ontstaat omdat de atomen in glas niet alleen stilzitten; ze vormen een netwerk dat van vorm en sterkte verandert, afhankelijk van precies welke elementen worden toegevoegd en in welke hoeveelheden.

Decennialang hebben onderzoekers vertrouwd op krachtige computerprogramma's, bekend als machine learning, om deze eigenschappen te voorspellen. Deze programma's zijn uitstekend in het vinden van patronen in enorme hoeveelheden gegevens, maar ze werken als 'black boxes'. Ze kunnen je het antwoord geven, maar ze kunnen niet uitleggen waarom ze tot die conclusie zijn gekomen, waardoor wetenschappers niet in staat zijn om de fysieke wetten te begrijpen die de resultaten aansturen. Een nieuwe studie door een team van onderzoekers in Brazilië en bij het Braziliaanse Centrum voor Onderzoek in Energie en Materialen probeert dit te veranderen door een andere aanpak te gebruiken genaamd physics-informed symbolic regression. In plaats van de logica te verbergen in een complex algoritme, zoekt deze methode naar een eenvoudige, leesbare wiskundige zin die beschrijft hoe het glas zich gedraagt. De onderzoekers richtten zich op een familie van glazengestructuren die worden gemaakt door booroxide te mengen met diverse alkali-metalen, zoals lithium, natrium en kalium. Deze materialen staan bekend om een vreemd gedrag waarbij het toevoegen van meer metaal het glas aanvankelijk versterkt, maar het uiteindelijk verzwakt, een fenomeen dat bekend staat als de booranomalie.

Het team verzamelde honderden experimentele gegevens van glascomposities en de bijbehorende transitietemperaturen uit bestaande wetenschappelijke databases. Vervolgens voedden ze deze gegevens aan een computerprogramma dat ontworpen is om op zoek te gaan naar een duidelijke vergelijking. Het programma mocht niet zomaar willekeurige getallen gebruiken; het werd gedwongen om alleen variabelen te gebruiken die echte fysieke zaken vertegenwoordigen, zoals de energie die nodig is om de verbindingen tussen atomen te verbreken en hoe nauw de atomen op elkaar gepakt zitten. Het doel was om een formule te vinden die niet alleen nauwkeurig was, maar ook zin maakte voor een menselijke natuurkundige. Na een grondige zoektocht produceerde de computer een enkele, compacte vergelijking. Deze vergelijking voorspelde de transitietemperatuur voor de bekende mengsels met een hoge mate van precisie, waarbij de experimentele waarden met slechts ongeveer 15 tot 16 graden op de Kelvin-schaal afweken. Belangrijker nog, de vergelijking onthulde dat de sterkte van de chemische verbindingen en de manier waarop de atomen samenpakken, de primaire drijfveren zijn van het gedrag van het glas, wat bevestigt dat het model werkelijke fysica vastlegde in plaats van alleen maar gegevens te memoriseren.

Om te testen of hun ontdekking werkelijk robuust was, vroegen de onderzoekers het model om het gedrag te voorspellen van glazengestructuren die rubidium en cesium bevatten, twee zware metalen die niet deel uitmaakten van de oorspronkelijke trainingsdata. Dit is een moeilijke test, aangezien het model deze elementen nog nooit eerder had gezien. De vergelijking werkte opmerkelijk goed en voorspelde nauwkeurig de transitietemperaturen voor deze nieuwe materialen. Dit succes suggereert dat de fysieke regels die het model heeft geleerd universeel zijn voor deze familie van glazengestructuren, en niet specifief voor de voorbeelden die het bestudeerde. De onderzoekers gebruikten het model ook om de energie te schatten die nodig is om de verbindingen in deze nieuwe rubidium- en cesiumglazen te verbreken. Deze geschatte waarden volgden een logische volgorde: ze namen af naarmate de atomen groter werden, wat overeenkwam met wat wetenschappers verwachten op basis van fundamentele chemie. Deze consistentie leverde sterk bewijs dat het model een werkelijke fysieke relatie had gevonden.

De studie benadrukte ook een gebrek in oudere methoden voor het berekenen van hoe nauw atomen zijn ingepakt. Traditionele berekeningen overschatten vaak de stijfheid van de glasstructuur, wat leidde tot onnauwkeurige voorspellingen. Het nieuwe model gebruikte een verfijndere manier om deze pakking te meten, wat deze fouten corrigeerde en veel realistischere resultaten opleverde. Bovendien gebruikten het team een statistische techniek om de onzekerheid van hun voorspellingen in kaart te brengen. Ze ontdekten dat het model het meest onzeker is in het specifieke bereik van chemische mengsels waar de booranomalie optreedt. Dit is logisch, aangezien dit het gebied is waar de glasstructuur het meest drastisch verandert, waardoor het het moeilijkste deel is om te voorspellen. Door exact aan te geven waar het model onzeker is, gaven de onderzoekers een duidelijker beeld van de grenzen van hun begrip.

Uiteindelijk laat dit werk zien dat het mogelijk is om computermodellen te bouwen die zowel nauwkeurig als transparant zijn. Door de wiskunde te dwingen de taal van de natuurkunde te spreken, creëerden de onderzoekers een instrument dat niet alleen het antwoord raadt, maar ook het verhaal van het glas vertelt. Ze toonden aan dat de transitietemperatuur een direct gevolg is van hoe het netwerk van atomen verbonden is en hoeveel energie er nodig is om die verbindingen uit elkaar te trekken. Deze aanpak biedt een veelbelovend pad vooruit voor het ontwerpen van nieuwe materialen, waardoor wetenschappers het "waarom" achter het "wat" kunnen begrijpen zonder afhankelijk te zijn van ondoorzichtige, onverklaarbare algoritmen. De bevindingen bevestigen dat voor deze specifieke glazengestructuren de wisselwerking tussen de sterkte van de verbinding en de atomaire pakking de sleutel is tot het ontsluiten van hun thermische gedrag, wat een duidelijke, interpreteerbare regel biedt voor toekomstige ontdekkingen.

Technische Samenvatting: Fysisch-geïnformeerde Symbolische Regressie voor de Voorspelling van de Glasovergangstemperatuur van Alkali-boraatglazen

Probleemstelling
De glasovergangstemperatuur ( $T_g$ ) van alkali-boraatglazen ( $x\text{M}_2\text{O} \cdot (100-x)\text{B}_2\text{O}_3$ , waarbij M = Li, Na, K, Rb, Cs) is een cruciale eigenschap die sterk afhankelijk is van de samenstelling. Het voorspellen van $T_g$ vanuit eerste beginselen (first principles) is uitdagend vanwege de structurele complexiteit van het boornetwerk, met name de "boron anomaly" waarbij coördinatieveranderingen optreden. Hoewel machine learning (ML)-modellen, zoals GlassNet, een hoge voorspellende nauwkeurigheid hebben aangetoond met behulp van grote datasets, functioneren zij doorgaans als "black boxes", die de interne interpreteerbaarheid missen die nodig is om de fysieke mechanismen te ontsluiten die deze eigenschappen beheersen. Bestaande modellen falen vaak in het bieden van expliciete wiskundige relaties die de samenstelling verbinden met structuur en thermodynamica in een voor de mens begrijpbaar formaat.

Methodologie
De auteurs maakten gebruik van Fysisch-geïnformeerde Symbolische Regressie (SR) om een interpreteerbare, gesloten vorm van een expressie voor $T_g$ af te leiden. De aanpak combineerde evolutionaire zoekalgoritmen (met behulp van de PySR-bibliotheek) met een gecureerde set fysisch betekenisvolle beschrijvers, in plaats van enkel ruwe compositionele data.

Data-curatie: Een dataset van 309 samenstellingen bevattende Li, Na en K werd samengesteld uit de SciGlass-database en literatuur. Om datalekken te voorkomen, werden chemisch equivalente samenstellingen gegroepeerd en werden mediane $T_g$ -waarden toegewezen. Een aparte set van 142 samenstellingen bevattende Rb en Cs werd exclusief gereserveerd voor extrapolatietesten.
Feature Engineering: Inputfeatures werden afgeleid van fundamentele fysisch-chemische eigenschappen, waaronder molaire fracties, atoomradii, pakkingsfracties en dissociatie-energieën. Cruciaal was dat de studie gebruikmaakte van de Rigid Unit Packing Fraction (RUPF) voorgesteld door Shi et al., ter contrast met de conventionele Atomic Packing Fraction (APF).
Modelinductie: Het SR-algoritme zocht naar wiskundige expressies die inputfeatures koppelden aan $T_g$ . Beperkingen omvatten een parsimonie-factor om compacte vergelijkingen te bevoordelen en een beperkte set operatoren. De resulterende ruwe expressies werden handmatig herzien om dimensionale consistentie en fysische interpreteerbaarheid te waarborgen.
Parameterraming & Extrapolatie: Omdat dissociatie-energieën ( $g_{\text{M}_2\text{O}}$ ) voor Rb en Cs niet beschikbaar waren, werden deze behandeld als aanpasbare parameters. Deze werden gefit door de Mean Squared Error (MSE) tussen experimentele en voorspelde $T_g$ -waarden voor de Rb- en Cs-systemen te minimaliseren.
Validatie & Onzekerheid: Het model werd gevalideerd via:
1. Statistische metrieken (MAE, RMSE) op test- en extrapolatiesets.
2. Cross-property validatie met behulp van het herziene Makishima–Mackenzie (MM) model om de Youngs-modulus ( $E$ ) te voorspellen met behulp van de gefitte dissociatie-energieën.
3. Monte Carlo (MC) onzekerheidskwantificering om fouten van de variabiliteit in dissociatie-energie te propageren naar de uiteindelijke $T_g$ -voorspelling.

Belangrijkste Bijdragen en Resultaten

Afleiding van een Interpreteerbaar Model: De studie slaagde erin een gesloten vorm van een expressie voor $T_g$ (Eq. 10) af te leiden die expliciet dissociatie-energieën en pakkingsfracties incorporeert. De uiteindelijke vergelijking benadrukt de dominantie van dissociatie-energie termen, wat suggereft dat lokale bindingssterkte een primaire drijfveer is voor $T_g$ .
$T_g = \frac{23}{11} \frac{T_g^{\text{B}_2\text{O}_3}(x=0)}{g_{\text{BO}_3}} \left[ \frac{g_{\text{BO}_4}}{12} - \left( \sum g_i X_i - \frac{g_{\text{BO}_3}}{3} \right) \Delta_M \right]$
Dit model vangt het niet-monotone gedrag van $T_g$ (de boron anomaly) op door rekening te houden met de overgang van drie-voudige ( $\text{BO}_3$ ) naar vier-voudige ( $\text{BO}_4$ ) boornetwerkcoördinatie en de daaropvolgende vorming van niet-brugvormende zuurstofatomen.
Superioriteit van RUPF boven APF: De studie toont aan dat modellen gebaseerd op de Rigid Unit Packing Fraction (RUPF) significant beter presteren dan die met de conventionele Atomic Packing Fraction (APF).
- RUPF Prestaties: Bereikte een totale Root-Mean-Square Error (RMSE) van 15,61 K en een Mean Absolute Error (MAE) van 12,61 K.
- APF Prestaties: Resulteerde in een RMSE van 89,86 K, wat wijst op een systematische overschatting van structurele stijfheid en $T_g$ door het onvermogen van de APF om de compactheid van $\text{BO}_3$ -eenheden bij intermediaire samenstellingen accuraat weer te geven.
Succesvolle Extrapolatie: Het model, getraind op enkel Li, Na en K systemen, extrapoleerde succesvol naar Rb en Cs systemen met behouden nauwkeurigheid (RMSE variërend van 12,48 K tot 17,22 K). De gefitte dissociatie-energieën voor Rb en Cs volgden de fysisch verwachte trend ( $g_{\text{Li}_2\text{O}} > g_{\text{Na}_2\text{O}} > g_{\text{K}_2\text{O}} \gtrsim g_{\text{Rb}_2\text{O}} \gtrsim g_{\text{Cs}_2\text{O}}$ ), wat de fysische consistentie van het model bevestigt.
Cross-Property Validatie: De voor $T_g$ -voorspelling gefitte dissociatie-energieën werden gebruikt om de Youngs-modulus te berekenen via het herziene MM-model. De voorspelde moduli voor Rb- en Cs-systemen vertoonden een goede overeenkomst met experimentele en theoretische referentiewaarden (bijv. een RMSE van 1,26 GPa voor Cs-systemen), wat valideert dat de afgeleide parameters fysisch consistent zijn buiten de specifieke eigenschap waarop zij zijn getraind.
Onzekerheidskwantificatie: Monte Carlo-analyse onthulde dat de voorspellingsonzekerheid niet uniform is; deze piekt in de compositionele regio's geassocieerd met de boron anomaly (rond 30 mol% alkali). Dit koppelt modelbeperkingen direct aan bekende structurele transities waar de energetische balans van het netwerk het meest gevoelig is voor coördinatieveranderingen.

Betekenis en Claims
Het artikel stelt dat fysisch-geïnformeerde symbolische regressie een transparant en interpreteerbaar alternatief biedt voor black-box ML-modellen voor eigenschapsvoorspelling in glassystemen. Door fysisch-chemische beschrijvers (specifiek dissociatie-energie en RUPF) in het regressieproces te integreren, heeft de auteur een model bereikt dat niet alleen statistisch accuraat is, maar ook fysisch gefundeerd.

De betekenis van dit werk ligt in het vermogen om:

Expliciete structuur-eigenschapsrelaties te herstellen die in lijn zijn met gevestigde fysische theorieën (bijv. topologische restrictietheorie en de boron anomaly).
Aan te tonen dat het fitten van parameters voor één eigenschap ( $T_g$ ) fysisch consistente waarden kan opleveren voor andere eigenschappen (Youngs-modulus), wat suggereert dat dit een overdraagbaar kader is voor het schatten van schaarse fysische data (zoals dissociatie-energieën) met behulp van overvloedige data (zoals $T_g$ ).
Een methode te bieden om voorspellingsonzekerheid te kwantificeren, waarbij specifieke compositionele regimes worden geïdentificeerd waar structurele transities zorgen voor hogere variabiliteit.

De auteurs concluderen dat hoewel het model robuust is binnen de bestudeerde alkali-boraatfamilie, de overdraagbaarheid naar chemisch verschillende glasfamilies niet zonder verdere validatie aangenomen mag worden, aangezien verschillende systemen worden beheerst door verschillende balansen van binding, pakking en netwerktopologie.

Meer zoals dit