[論文レビュー] Learning-based approach to plasticity in athermal sheared amorphous packings: Improving softness

Jason W. Rocks, Sean A. Ridout+1 more|arXiv (Cornell University)|Oct 27, 2020

Topological and Geometric Data Analysis参考文献 26被引用数 10

ひとこと要約

本論文は、粒子の移動度回帰とトポロジカルに情報を持つ構造的記述子を用いて、軟らかさを再定義することで、断熱的せん断を受けるアモルファスパッキングにおける変形の予測を学習ベースのアプローチで向上させる。持続的ホモロジーを用いて解釈可能な構造的特徴を抽出し、局所的変位フラクチュエーションの分類から回帰に置き換えることで、限られたデータでも高い精度を達成し、従来の軟らかさ手法を上回りながら物理的解釈可能性を維持する。

ABSTRACT

The plasticity of amorphous solids undergoing shear is characterized by quasi-localized rearrangements of particles. While many models of plasticity exist, the precise relationship between plastic dynamics and the structure of a particle's local environment remains an open question. Previously, machine learning was used to identify a structural predictor of rearrangements, called "softness." Although softness has been shown to predict which particles will rearrange with high accuracy, the method can be difficult to implement in experiments where data is limited and the combinations of descriptors it identifies are often difficult to interpret physically. Here we address both of these weaknesses, presenting two major improvements to the standard softness method. First, we present a natural representation of each particle's observed mobility, allowing for the use of statistical models which are both simpler and provide greater accuracy in limited data sets. Second, we employ persistent homology as a systematic means of identifying simple, topologically-informed, structural quantities that are easy to interpret and measure experimentally. We test our methods on two-dimensional athermal packings of soft spheres under quasi-static shear. We find that the same structural information which predicts small variations in the response is also predictive of where plastic events will localize. We also find that excellent accuracy is achieved in athermal sheared packings using simply a particle's species and the number of nearest neighbor contacts.

研究の動機と目的

• . 伝統的な軟らかさ計算における、希少な再配置粒子例の必要性という実用的制限を解消すること。
• . 複雑で高次元の記述子に起因する、標準的な軟らかさの物理的解釈可能性の欠如という科学的欠陥を克服すること。
• . 最小限の構造的情報を用いて、断熱的アモルファスパッキングにおける塑性的再配置をデータ効率的かつ解釈可能な方法で予測する手法を開発すること。
• . 局所的動的フラクチュエーションとトポロジカル構造が、塑性を予測可能であることを示し、単純ながらも高精度なモデルを可能にすること。

提案手法

• . 標準的な分類ベースの軟らかさ計算を、粒子の移動度を目的変数とする回帰フレームワークに置き換える。
• . 粒子の移動度を時間経過における最小二乗移動量として定義し、外れ値の影響を避けるために分位数ベースの尺度に変換する。
• . 持続的ホモロジーを用いて、物理的に解釈可能で実験的に測定可能な、意味のある構造的記述子（ギャップと接触）を抽出する。
• . これらの記述子を用いて正則化付きリッジ回帰モデルを訓練し、新たな解釈可能な軟らかさスコアを計算する。
• . 外れ値の影響を低減し、過学習を防ぐために、中央値と四分位範囲を用いて記述子を標準化する。
• . 交差検証とブートストラップを用いてハイパーパrameter（回帰用のα、分類用のC）を最適化し、テスト精度を主な指標とする。

実験結果

リサーチクエスチョン

• RQ1 . 限られた再配置イベントを伴う系において、分類ベースの手法に比べて回帰ベースの軟らかさアプローチが、データ効率を向上させられるか？
• RQ2 . 持続的ホモロジーが、粒子の移動度および塑性と強く相関する、単純で物理的に解釈可能な構造的記述子を生成できるか？
• RQ3 . 局所的動的フラクチュエーションを予測するのと同じ構造的情報が、大規模な塑性イベントの局所化を予測できるか？
• RQ4 . 粒子種別と近隣粒子数といった基本的な構造的特徴のみを用いても、優れた予測精度を達成できるか？
• RQ5 . データが限られる状況下で、新しい軟らかさ手法の精度と頑健性が、元の機械学習ベースの軟らかさ手法と比べてどのように異なるか？

主な発見

• . 回帰ベースの軟らかさ手法は、特にデータが限られた状況下で、分類ベースの軟らかさよりも高い精度を達成しており、これは1配置あたりの学習例数が著しく多いことに起因する。
• . 持続的ホモロジーは、粒子の移動度および塑性と強く相関する解釈可能な構造的記述子（具体的にはギャップと接触）を的確に特定した。
• . ギャップと接触に基づく新しい軟らかさ指標は、より複雑な記述子集合と同等の優れた予測精度を達成した。
• . 小スケールの変位フラクチュエーションを予測するのと同じ構造的情報が、大スケールの塑性イベントの局所化をも予測可能であることを示した。
• . 驚くべきことに、粒子種別と近隣接触数のみを用いた単純なモデルでも高い精度が得られ、最小限の構造的情報でも強力な予測能力を発揮することが示された。
• . 交差検証ではモデル間で一貫したテスト精度が得られ、頑健性が確認された。ブートストラップは回帰には十分であり、過学習が最小限に抑えられていたが、分類には交差検証が不可欠であった。