[논문 리뷰] Learning-based approach to plasticity in athermal sheared amorphous packings: Improving softness

Jason W. Rocks, Sean A. Ridout외 1명|arXiv (Cornell University)|2020. 10. 27.

Topological and Geometric Data Analysis참고 문헌 26인용 수 10

한 줄 요약

이 논문은 입자 이동도 회귀와 위상적으로 정보를 갖춘 구조적 기술자수를 통해 소프트니스를 재정의함으로써, 비열적 시편된 비정질 패킹에서의 연성 예측을 향상시키기 위한 학습 기반 접근법을 제안한다. 지속적 호모로지( persistent homology )를 사용해 해석 가능한 구조적 특징을 추출하고 국소 이동도 변동성에 대한 분류 대신 회귀를 적용함으로써, 제한된 데이터 조건에서도 높은 정확도를 달성하며 기존의 소프트니스 방법보다 뛰어나면서도 물리적 해석 가능성도 유지한다.

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.

연구 동기 및 목표

• . 기존 소프트니스 계산에서 희귀한 재배열 입자 예제가 필요로 하는 실용적 한계를 해결하기 위해.
• . 복잡하고 고차원적인 기술자수로 인해 표준 소프트니스의 물리적 해석 가능성에 떨어지는 과학적 결함을 극복하기 위해.
• . 최소한의 구조적 정보만을 사용하여 비열적 비정질 패킹에서의 연성 재배열을 데이터 효율적이고 해석 가능한 방법으로 예측하는 방법을 개발하기 위해.
• . 국소 동적 변동성과 위상적 구조가 연성 예측에 유의미하게 기여하며, 간단하면서도 정확한 모델을 가능하게 함을 보여주기 위해.

제안 방법

• . 표준 분류 기반 소프트니스 계산을 입자 이동도를 목표 변수로 사용하는 회귀 프레임워크로 대체한다.
• . 입자 이동도를 시간에 따른 최소 제곱 이동거리로 정의하고, 외곽치 영향을 줄이기 위해 분위수 기반 측정법으로 변환한다.
• . 지속적 호모로지( persistent homology )를 사용해 물리적으로 해석 가능하고 실험적으로 측정 가능한 위상적으로 의미 있는 구조적 기술자수(간격과 접촉)를 추출한다.
• . 이러한 기술자수를 기반으로 정규화된 리지 회귀 모델을 훈련시켜 새로운 해석 가능한 소프트니스 점수를 계산한다.
• . 외곽치 영향을 줄이고 과적합을 방지하기 위해 기술자수를 중앙값과 사분위율 범위를 사용해 표준화한다.
• . 교차 검증과 부트스트랩을 통해 하이퍼파rameter(회귀용 α, 분류용 C)를 최적화하고, 테스트 정확도를 주요 평가 지표로 사용한다.

실험 결과

연구 질문

• RQ1 . 제한된 재배열 사건을 가진 시스템에서 기존 분류 기반 소프트니스 방법에 비해 회귀 기반 접근법이 데이터 효율성을 향상시킬 수 있는가?
• RQ2 . 지속적 호모로지가 입자 이동도 및 연성과 강하게 상관되는 물리적으로 해석 가능한 간단한 구조적 기술자수를 생성할 수 있는가?
• RQ3 . 국소 동적 변동성을 예측하는 동일한 구조적 정보가 대규모 연성 사건의 국소화 위치를 예측하는 데도 유용한가?
• RQ4 . 입자 종류와 근처 이웃 수와 같은 기본적인 구조적 특징만으로도 뛰어난 예측 정확도를 달성할 수 있는가?
• RQ5 . 데이터 부족 조건에서 새로운 소프트니스 방법이 원래 기계학습 기반 소프트니스와 정확도 및 내구성 측면에서 어떻게 비교되는가?

주요 결과

• . 회귀 기반 소프트니스 방법은 특히 데이터가 제한된 조건에서, 구성당 훈련 예제 수가 현저히 많기 때문에 분류 기반 소프트니스보다 더 높은 정확도를 달성한다.
• . 지속적 호모로지( persistent homology )는 입자 이동도 및 연성과 강하게 상관되는 해석 가능한 구조적 기술자수—특히 간격과 접촉—을 성공적으로 식별한다.
• . 간격과 접촉 기반의 새로운 소프트니스 측정법은 매우 높은 예측 정확도를 달성하며, 더 복잡한 기술자수 집합과 비교해도 성능이 유사하다.
• . 국소 스케일의 이동거리 변동성을 예측하는 동일한 구조적 정보가 대규모 연성 사건의 국소화 위치를 예측하는 데도 효과적이다.
• . 놀랍게도 입자 종류와 이웃 접촉 수만을 사용하는 단순한 모델도 높은 정확도를 달성하여, 최소한의 구조적 입력으로도 강력한 예측 능력을 가짐을 보여준다.
• . 교차 검증 결과 모든 모델에서 일관된 테스트 정확도를 보이며 안정성이 확인되었고, 부트스트랩은 과적합이 최소이므로 회귀에 충분하며, 분류에는 교차 검증이 필수적임을 확인했다.