[论文解读] Roadmap on machine learning glassy dynamics

Gerhard Jung, Rinske M. Alkemade+11 more|arXiv (Cornell University)|Nov 23, 2023

Material Dynamics and Properties被引用 7

一句话总结

该路线图提出利用机器学习（ML）解码玻璃态液体中缓慢动力学的微观结构起源，其中传统结构描述符失效。通过利用深度学习进行非监督和监督学习以捕捉非晶有序性，作者提出了GlassBench数据集与基准测试，以实现评估的标准化，从而提升模型在二维和三维模型中对玻璃形成体系的可迁移性、可解释性及生成建模能力。

ABSTRACT

Unraveling the connections between microscopic structure, emergent physical properties, and slow dynamics has long been a challenge when studying the glass transition. The absence of clear visible structural order in amorphous configurations complicates the identification of the key physical mechanisms underpinning slow dynamics. The difficulty in sampling equilibrated configurations at low temperatures hampers thorough numerical and theoretical investigations. This perspective article explores the potential of machine learning (ML) techniques to face these challenges, building on the algorithms that have revolutionized computer vision and image recognition. We present recent successful ML applications, as well as many open problems for the future, such as transferability and interpretability of ML approaches. We highlight new ideas and directions in which ML could provide breakthroughs to better understand the fundamental mechanisms at play in glass-forming liquids. To foster a collaborative community effort, this article also introduces the ``GlassBench" dataset, providing simulation data and benchmarks for both two-dimensional and three-dimensional glass-formers. We propose critical metrics to compare the performance of emerging ML methodologies, in line with benchmarking practices in image and text recognition. The goal of this roadmap is to provide guidelines for the development of ML techniques in systems displaying slow dynamics, while inspiring new directions to improve our theoretical understanding of glassy liquids.

研究动机与目标

• 解决在无明显长程有序性的情况下，识别与非晶材料中缓慢动力学相关的结构特征这一根本性挑战。
• 克服传统结构描述符的局限性，这些描述符具有系统特异性，且与弛豫动力学的相关性较弱。
• 开发标准化的基准测试与开放数据，以加速机器学习在玻璃态液体中的应用进展。
• 提升机器学习模型在低温下及超稳定玻璃中的动力学预测能力，增强其可解释性与可迁移性。
• 通过共享数据集与评估协议，促进协作研究生态系统的建立，统一推进该领域的发展。

提出的方法

• 应用计算机视觉领域的深度学习技术，检测非晶构型中的细微局部与中程有序性。
• 提出GlassBench数据集，包含二维与三维玻璃形成体的模拟数据，并提供标准化的模型评估基准。
• 采用非监督学习方法，在无需预先标注的情况下发现结构有序性与动态异质性。
• 实施监督学习，从局部构型预测结构弛豫时间。
• 探索自监督学习与生成建模（如扩散模型）技术，以生成平衡态玻璃结构与动力学场。
• 结合机器学习与蒙特卡洛方法，设计高效的局部移动策略，以模拟低温下的缓慢动力学。

实验结果

研究问题

• RQ1 在非晶液体中，哪些结构特征与动态异质性及结构弛豫的相关性最强？
• RQ2 如何改进非监督机器学习模型，以在聚多分散胶体或金属玻璃等复杂玻璃形成体中检测中程有序性？
• RQ3 在无法实现平衡化的极低温条件下，可迁移的机器学习模型在预测弛豫动力学方面能达到何种程度？
• RQ4 自监督与可解释的机器学习模型如何揭示局部结构在玻璃态动力学中的物理作用？
• RQ5 结合生成模型与监督预测器，能否实现从随机初始构型一次性生成平衡态玻璃结构与动力学场？

主要发现

• GlassBench数据集及相关基准已通过Zenodo（10.5281/zenodo.10118191）公开，支持对玻璃态动力学中机器学习模型的标准化评估。
• 非监督学习在识别与动态异质性相关的结构特征方面展现出潜力，但对复杂系统的预测精度仍有限。
• 可迁移的机器学习模型可预测低温下的结构弛豫，具有将模拟扩展至以往难以触及区域的潜力。
• 自监督学习可提升模型性能与泛化能力，尤其在标注数据稀缺时表现更优。
• 可解释的机器学习模型揭示，特定局部结构基元与过冷液体中快/慢弛豫区域存在强相关性。
• 生成模型（如基于扩散的架构）可从随机初始构型生成平衡态玻璃结构，从而开启新型模拟策略。