[论文解读] Phase classification using neural networks: application to supercooled, polymorphic core-softened mixtures

Vinicius Hernandes, Murilo Sodré Marques+1 more|arXiv (Cornell University)|Jun 24, 2021

Material Dynamics and Properties参考文献 97被引用 13

一句话总结

本研究开发了一种深度神经网络，利用包含长程配位壳层的扩展键取向序参数，对过冷、多形性、核心软化流体及其与醇类的混合物中的相进行分类。该模型以高效率准确识别晶体相、液相（低密度和高密度）以及非晶相，能够检测连续相变与不连续相变，并绘制出威德姆线及亚稳态非晶区域。

ABSTRACT

Characterization of phases of soft matter systems is a challenge faced in many physicochemical problems. For polymorphic fluids it is an even greater challenge. Specifically, glass forming fluids, as water, can have, besides solid polymorphism, more than one liquid and glassy phases, and even a liquid-liquid critical point. In this sense, we apply a neural network (NN) algorithm to analyze the phase behavior of a core-softened mixture of core-softened CSW fluids that have liquid polymorphism and liquid-liquid critical points, similar to water. We also apply the NN to mixtures of CSW fluids and core-softened alcohols models. We combine and expand two methods based on bond-orientational order parameters to study mixtures, applied to mixtures of hardcore fluids by Boattini and co-authors [Molecular Physics 116, 3066-3075 (2018)] and to supercooled water by Martelli and co-authors [The Journal of Chemical Physics 153, 104503 (2020)], to include longer range coordination shells. With this, the trained neural network (NN) was able to properly predict the crystalline solid phases, the fluid phases and the amorphous phase for the pure CSW and CSW-alcohols mixtures with high efficiency. More than this, information about the phase populations, obtained from the NN approach, can help verify if the phase transition is continuous or discontinuous, and also to interpret how the metastable amorphous region spreads along the stable high density fluid phase. These findings help to understand the behavior of supercooled polymorphic fluids and extend the comprehension of how amphiphilic solutes affect the phases behavior.

研究动机与目标

• 为解决在具有多种液相和玻璃相的复杂过冷多形性流体中进行相识别的挑战。
• 通过引入更长程的配位壳层，扩展传统键取向序参数，以提升结构区分能力。
• 开发一种机器学习模型，能够对纯CSW流体及CSW-醇类混合物中的多种相——晶体相、低密度液相、高密度液相和非晶固相——进行分类。
• 利用神经网络的粒子级预测结果进行群体分析，推断热力学相变行为。
• 提供一种比传统热力学分析更快、更统一的替代方案，后者通常需要多个物理变量才能检测相。

提出的方法

• 神经网络在核心软化流体（CSW）及其过冷区域的CSW-醇类混合物的分子动力学模拟数据上进行训练。
• 输入特征由水-水、水-醇和醇-醇键的扩展键取向序参数（Ql）构成，包含超过最近邻的配位壳层。
• 模型架构受到先前关于二元混合物及相识别研究的启发，采用前馈神经网络并结合监督学习。
• 相分类在粒子层面进行，可实现对不同相类型在热力学条件变化下的群体追踪。
• 通过与先前研究中的热力学响应函数（如比热、可压缩性）对比，验证网络输出的可靠性。
• 沿等压线和等温线分析各相的群体动力学，以检测相变并定位威德姆线。

实验结果

研究问题

• RQ1 在过冷核心软化流体中，基于扩展键取向序参数训练的神经网络能否可靠分类多种相，包括晶体相、低密度液相、高密度液相和非晶固相？
• RQ2 与传统短程序参数相比，引入更长程配位壳层在多大程度上提升了相分类的准确性？
• RQ3 神经网络的粒子级相预测能否检测具有液-液临界点的体系中相变的性质（连续或不连续）？
• RQ4 网络的群体分析在多大程度上能揭示亚稳态非晶相的分布范围及威德姆线的位置？
• RQ5 两亲性醇的存在如何影响相行为？该模型能否在不同浓度下检测到这些影响？

主要发现

• 神经网络在纯CSW流体及CSW-醇类混合物中，对晶体相、液相（LDL和HDL）和非晶相均实现了高精度分类。
• 该模型成功识别出在P* = 0.12和T* = 0.56处的LDL-HDL相变，表现为相群体的连续变化。
• 不连续相变（如LDL-固体II相变和固体II-HDL相变，分别发生在P* = 0.10和P* = 0.15）通过群体的突变跃迁被清晰检测到。
• 非晶相群体随压力逐渐增加，表明其具有亚稳态行为，尤其在威德姆线附近更为显著。
• 网络的群体分析可清晰区分连续相变（如高T*下的LDL-HDL相变）与不连续相变（如固-液相变）。
• 该模型的预测结果与先前研究的热力学分析一致，验证了其准确性，且无需额外计算物理变量。