AtomFlow: Generative Prediction of Chemical Reactions in 3D Space
01 文章导读
材料相通常由序参量描述。密度可用于区分液体和气体，磁化强度可用于区分铁磁相和顺磁相。这些序参量通常是可测量的实验变量，能够把大量微观自由度压缩成刻画相变或结构变化的宏观量。本研究进一步提出一个问题：人工智能模型的激活响应或输出得分，能否也作为一种结构序参量？其直观基础是，AI 模型本质上是“序”的探测器。视觉模型识别图像中的空间关联，语言模型识别词元之间的有序关系；类似地，面向材料结构训练的 AI 模型也可以识别原子构型中的空间有序性。本文以 百年经典Lindemann 判据为背景，探索机器学习模型如何刻画晶体在振动无序增加时的结构退化。
关键词：Lindemann 判据、三维卷积神经网络、结构有序性检测、机器学习、晶格振动；
Citations: Han Chen, Hanyu Xue. Machine-Learned Structural Order and the Lindemann Criterion[J]. AI for Science. DOI: 10.1088/3050-287X/ae97fa
02 本文要点
要点1 从传统序参量到机器学习序参量
传统序参量通常来自物理直觉和实验观测。例如，密度反映粒子数在空间中的平均分布，磁化强度反映自旋取向的整体有序性。本文的出发点是：如果神经网络能够稳定地区分不同晶体和无序结构，那么模型输出就不只是分类标签，也可以被看作连续的结构序参量。本研究中，原子构型被转化为 32 × 32 × 32 的三维体素密度场，并输入三维卷积神经网络。网络被训练用于识别体心立方（BCC）、面心立方（FCC）、简单立方（SC）以及随机无序结构。训练完成后，各类别输出概率被解释为晶格特异结构序，而 BCC、FCC、SC 三类概率之和被定义为一般固态序。
图1. 体素密度场表示：理想 BCC 结构及其在较大 Lindemann 振动扰动后的三维密度等值面。
要点2 AI 序参量揭示 BCC 晶体的两阶段失序
Lindemann 判据把晶体失稳与原子均方根位移联系起来，但传统形式通常给出一个标量阈值，难以区分“失去原有晶格身份”和“失去所有固态结构特征”这两个过程。本文对理想 BCC、FCC 和 SC 晶体施加受控高斯振动无序，并观察机器学习序参量随 Lindemann 比值的变化。结果显示，BCC 具有明显的两阶段行为：BCC 晶格身份在 Lindemann 比值约 0.13 时降到 50% 以下，而一般固态概率直到约 0.23 才降到 50% 以下。在这一中间区间中，扰动后的 BCC 结构主要被模型识别为 FCC-like，而不是随机无序。相比之下，FCC 和 SC 的两类序几乎在同一位移尺度上同时消失。
图2. BCC 在受控振动无序下的机器学习结构序变化。BCC 显示出晶格身份和一般固态序的明显分离。图1，图2可展示 AI 模型如何从原子密度场中识别晶体结构序。
要点3 径向分布函数给出结构机制解释
为了理解神经网络为何给出这种分类路径，本文进一步计算了径向分布函数 g(r)。分析表明，BCC 的第一近邻壳层和第二近邻壳层之间的归一化间距显著小于 FCC 和 SC。因此，在相同 Lindemann 型振动扰动下，BCC 的近邻壳层更容易展宽和重叠。模型将部分强烈扰动的 BCC 结构识别为 FCC-like，并不意味着这些构型真正转变成完美 FCC 晶体，而是说明在三维密度场相似性空间中，它们仍保留固态特征，但原始 BCC 身份已经变得模糊。
03 总结与未来展望
本文表明，机器学习模型可以作为材料结构中“序”的探测器，其输出响应可被用作连续的、数据驱动的结构序参量。该方法将 Lindemann 判据从单一位移阈值扩展为两个问题：结构是否仍像原始晶格，以及结构是否仍像某种固体。当前研究使用的是受控静态振动扰动，而非真实有限温度分子动力学熔化过程。未来工作可进一步引入真实液体、非晶结构、缺陷晶体和分子动力学轨迹，检验机器学习序参量能否用于更复杂材料中的相变、熔化、亚稳态和局域结构退化分析。
转载本文请联系原作者获取授权，同时请注明本文来自材料展望Materials Futures科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3658900-1551889.html?mobile=1
收藏
