[論文レビュー] Beyond overcomplication: a linear model suffices to decode hidden structure-property relationships in glasses

Chenyan Wang, Mouyang Cheng+1 more|arXiv (Cornell University)|Feb 5, 2026

Material Dynamics and Properties被引用数 0

ひとこと要約

要約: 本論文は、ガラス中の乱れに起因する振動特性と径方向分布関数（RDF）との間に、ほぼ線形の普遍的な関係を確立し、単純な線形モデルによる構造—特性マッピングを幅広いガラス系で正確かつ解釈可能に行えることを示す。

ABSTRACT

Establishing reliable and interpretable structure-property relationships in glasses is a longstanding challenge in condensed matter physics. While modern data-driven machine learning techniques have proven highly effective in establishing structure-property correlations, many models are criticized for lacking physical interpretability and being task-specific. In this work, we identify an approximate linear relation between structure profiles and disorder-induced responses of glass properties based on first order perturbation theory. We analytically demonstrate that this relationship holds universally across glassy systems with varying dimensions and distinct interaction types. This robust theoretical relationship motivates the adoption of linear machine learning models, which we show numerically to achieve surprisingly high predictive accuracy for structure-property mapping in a wide variety of glassy materials. We further devise regularization analysis to further enhance the interpretability of our model, bridging the gap between predictive performance and physical insight. Overall, this linear relation establishes a simple yet powerful connection between structural disorder and spectral properties in glasses, opening a new avenue for advancing their studies.

研究の動機と目的

• データ駆動モデルのブラックボックス問題の中で、ガラスにおける解釈可能な構造—特性関係の必要性を動機づける。
• 構造的乱れとフォノン由来特性を結ぶ一階摂動理論フレームワークを導出する。
• RDFをターゲット振動記述子へマッピングする普遍的な線形SPRモデルを提案・検証する。
• 正則化による解釈性の向上を、予測精度を損なうことなく示す。

提案手法

• RDF g(r) の摂動とヘシアン、フォノン状態密度の変化を関連づける一階摂動理論を開発する。
• y = W_theta g + b_theta の形の線形SPRモデルを定式化する。ここで g はベクトル化された RDF、W_theta, b_theta は学習可能パラメータ。
• g(r) を放射状ビンに離散化して、サイズスケーラブルかつ対称性不変な入力記述子を作成する。
• 正則化（L1およびL2）を適用して、構造特性と整合するスパースで解釈可能な重みマップを得る。
• 多様なガラス系（AMC、2D/3D LJ、SiC、CuAlZr）でモデルを評価し、CNNベースのアプローチと比較する。
• このアプローチが、より深いモデルに対して解釈可能性とデータ効率性の利点を提供することを主張する。

実験結果

リサーチクエスチョン

• RQ1 RDFと乱れ由来の性質との近似線形関係は、ガラス系全体で普遍的に成り立つのか。
• RQ2 単純な線形モデルが g(r) をフォノン由来観測量（例：PDOS）へマッピングする際、材料間でCNNと同等の精度を達成できるのか。
• RQ3 正則化は学習されたマッピングの解釈可能性と物理的構造との整合性にどのような影響を与えるのか。
• RQ4 線形SPRフレームワークは、次元性、結合様式、化学的複雑さが異なる系にも一般化できるのか。

主な発見

• RDF から PDOS を予測する単純な線形モデルは、アモルファスな単層炭素のCNNと視覚的に区別がつかない予測を達成する。
• 線形モデルは訓練損失がCNNと同等かやや高い程度だが、データ量を大幅に減らしても一般化性能が向上する。
• 正則化（特にL1）は、RDF特徴とPDOSピークを整列させるスパースな重みを生み、スケール依存の構造—特性リンクを明らかにする。
• 線形 SPR は AMC、2D/3D LJ、アモルファス SiC、三元系 CuAlZr において PDOS を正確に再現し、複雑系でも MSE が小さなまま（CuAlZr では約 2×10^-5）である。
• CNN はデータが限られると過学習の可能性があるのに対し、線形モデルは自由度が少ないため頑健性と効率性を示す。