High Pressure Material Phase Identification with Gaussian Kernel Neural Networks
本文介绍了一种用于高压材料相识别的计算高效方法,该方法利用神经切线核理论和基于高斯的原子检测器,在实现与现有方法相当的准确度的同时,提供了显著的速度提升。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
在材料科学的隐秘世界中,一种物质的身份并非由其成分定义,而是由其原子的排列方式定义的。想象一群人:如果他们整齐地站在重复的行列中,就形成了晶体;如果他们挤成一团混乱、杂乱的群体,则形成了液体或玻璃。这种被称为“相”(phase)的排列方式,决定了材料是坚硬、柔软、导电还是脆性。科学家经常使用强大的计算机模拟,来观察这些原子群体在极端条件下的行为,例如行星深处承受的巨大压力或高速撞击过程中。然而,这些模拟会产生海量的数据,列出数十亿个原子随时间变化的精确坐标。挑战在于如何读取这些数据:计算机必须观察这些原子的位置,并瞬间做出判断:“这是晶体”或“这已经熔化了”。快速且准确地完成这一过程对于理解材料如何失效或转变至关重要,然而,传统的识别方法通常速度缓慢,或仅限于简单的、完美的结构。
来自罗切斯特大学和东北大学的研究团队开发了一种解决这一问题的新方法,该方法在保持高准确度的同时,比现有技术显著提高了速度。该方法并非试图将每一个原子都与一个完美的理想模型进行对比,而是使用了一个被称为“原子检测器”的概念。他们设想在原子簇中心周围的特定空间点上,放置了一组固定的、隐形的传感器。随着原子的移动,系统会计算每个原子距离这些传感器的远近。如果一个原子靠近传感器,它就会贡献一个强信号;如果远离,信号则很弱。通过汇总所有原子的这些信号,研究人员为局部环境创建了一个独特的“指纹”。随后,这个指纹被输入到一个被称为“神经网络”的标准计算机程序中,该程序经过训练,能够识别模式并根据这些信号的强度对材料的相进行分类。
研究人员利用分子动力学模拟(追踪原子随时间运动的过程)测试了这种方法。他们将这种新方法与一种使用复杂的基于图的网络来分析原子连接性的领先技术进行了对比。结果显示,这种更简单的方法效率极高。在涉及融合二氧化硅(fused silica)和斯蒂希沸石(stishovite,二氧化硅的两种形式)压缩性的测试中,新方法对单帧模拟生成预测的时间大约为二十到三十分钟。而运行在相同强大硬件上的竞争方法,完成同样任务则需要五到六个小时。这代表了约十八倍的加速。尽管获得了如此巨大的速度提升,其准确度依然保持在同等水平,在处理较大原子环境时,能正确识别约百分之九十的材料相,达到了更复杂模型的性能。
该研究还探讨了神经网络的设计如何影响其表现。研究人员发现,当模型保持相对简单、拥有较少的处理层数且学习步调非常缓慢且谨慎时,效果最好。他们发现,增加层数实际上会让模型变得更差,这可能是因为识别原子模式的任务并不需要深层的、复杂的抽象,而是需要对空间关系的直接识别。此外,虽然该方法并没有显式地强制计算机忽略旋转——这意味着它在数学上并未保证旋转后的晶体看起来与原始状态一致——但训练过程教会了网络自动处理这一问题。通过在训练期间让模型接触数以千计随机旋转的示例,神经网络学会了无论方位如何都能识别材料的相,从而有效地模仿了更复杂的、具有旋转不变性的系统的行为,而无需额外的计算成本。
为了证明该方法在现实场景中的实用性,团队将其应用于冲击波撞击非晶态二氧化硅(amorphous silica)和α石英(alpha quartz)的模拟中。在这些高压事件中,材料会经历快速的相变,在不到一秒钟的时间内从一种结构转变为另一种结构。新模型成功追踪了这些变化,预测了转化为新相(如斯蒂希沸石或特定的镍砷结构)的原子比例。其结果与那些较慢的既有方法所产生的结果高度吻合,证实了新方法的速度优势并非以牺牲可靠性为代价。这项工作表明,通过简化计算机“观察”原子结构的方式,科学家可以更快地分析大规模模拟,从而在无需为单次计算等待数小时的情况下,潜在地加速新材料的发现以及对极端物理现象的理解。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。