关键词：
玻璃态动力学，机器学习，结构弛豫，可迁移模型
论文题目：Roadmap on machine learning glassy dynamics
论文地址：https://www.nature.com/articles/s42254-024-00791-4
期刊名称：
Nature Reviews Physics
玻璃态液体的核心特性之一是其显著的动态慢化。尽管它们在宏观上表现出类似于固体的行为，且不具备明显的长期有序结构，但玻璃态液体在微观尺度上的无序结构和缓慢的动力学仍然是科学研究的重大挑战。传统的实验和理论方法在理解这些系统时面临许多困难，尤其是在低温下采样均衡配置和揭示慢动力学的关键物理机制方面存在障碍。近期发表在
Nature Reviews Physics
的一篇技术综述指出，机器学习的应用能够在这一背景下提供突破，特别是无监督学习方法可以帮助研究人员更系统地表征这些无序材料的结构特性。下面将根据摘要图来总结综述的主要结论。
图 1. 本篇技术综述的可视化摘要，中心的各个部分与玻璃物理学领域的重大问题有关，周围是解决这些问题的机器学习方法。
玻璃态液体尽管没有长程有序结构，但通过精细分析其原子结构，研究人员发现其中存在一些局部结构，它们比平均粒子排列更规则、对称且自由能更低。例如，五十面体
（icosahedral）
局部结构在一些金属合金、胶体悬浮液和玻璃液体的计算模型中都有出现。文章利用无监督学习方法，尝试在这些系统中自动识别出局部优先结构
（LFS）
，并探讨它们与玻璃液体中的松弛动力学的关系。
机器学习还被应用于预测结构弛豫的动态过程。通过将分子动力学模拟生成的初始结构输入模型，使用监督学习技术来学习与弛豫相关的动态过程。例如，软化度
（softness）
作为一个结构特征，可以用来预测粒子的弛豫概率。软化度与玻璃液体的动态异质性密切相关，研究表明，这种动态异质性在温度变化下呈现出显著差异，且机器学习方法能够准确地捕捉到这些变化。
在构建玻璃模型方面，研究人员提出了结合机器学习和物理学原理的有效方法。这些方法以机器学习提取的局部结构特征为基础，构建了描述结构弛豫过程的现象学模型，如“陷阱模型”和“弹塑性模型”。这些模型为理解玻璃液体中的局部重排和应变机制提供了新的视角，并有助于揭示玻璃相变的本质。
为了推动机器学习在玻璃动力学中的应用，作者还建立了一个名为“GlassBench”的数据集和基准测试框架。该框架包含了2D和3D玻璃前体的模拟数据，可以用于测试不同机器学习方法在预测玻璃系统动力学方面的表现。基准测试的结果显示，采用图神经网络等方法能够在短时间尺度和长时间尺度上进行高效的动态预测，为未来的研究提供了重要参考。
尽管机器学习在玻璃动力学研究中已经取得了显著进展，但依然存在许多挑战。文章提到，如何提高模型的迁移能力、解释性以及在极低温度下的预测精度，是未来研究的关键方向。此外，结合生成式模型、强化学习等先进技术来进一步优化和提升玻璃材料的模拟和预测能力，也是未来的研究热点。
总的来说，这篇综述文章展示了机器学习在玻璃动力学研究中的巨大潜力。通过利用机器学习技术，研究人员不仅能够提高对玻璃态液体结构和动态的理解，还能为开发新的玻璃材料提供新的工具。随着技术的发展，机器学习有望推动玻璃物理学研究的深入，尤其是在极低温度下的动力学和玻璃相变的预测方面，为物理学和材料科学的交叉领域带来更多的创新思路。
图 2. 凝聚态中典型的监督机器学习过程。原始输入使用结构描述符或图形进行编码。模型是用描述从分子动力学模拟中获得的结构弛豫的标签来训练的。颜色表示冻结（蓝色）或重新排列（红色）粒子。
图 3. 单纯从结构性质，训练一个模型来预测单粒子的倾向。
