综述：胶体系统作为基于物理知识的机器学习的实验平台

《Nanoscale Horizons》：Colloidal systems as experimental platforms for physics-informed machine learning

胶体系统为研究凝聚态现象提供了独特窗口，通过单粒子成像捕捉微观动态与宏观响应的关联，为解决材料科学中的相分类、动态捕获及缺陷力学等问题提供新框架。该方法通过提取结构、动力学和机械特征构建物理信息模型，支撑机器学习在相识别、动力学预测和逆向设计中的应用，强调胶体数据在训练可解释模型中的价值，其多尺度数据特性可推动可转移材料设计策略。

　　

胶体系统为研究凝聚态物理现象提供了一个独特的实验平台，能够同时观察微观粒子的运动规律和宏观现象的产生。由于其颗粒尺度适中、粒子具有热运动特性以及相互作用可调，因此可以实现实时、实空间和单粒子级别的成像。这些特点使得我们可以直接将局部的结构变化、动态重排以及机械变形与整个系统的行为联系起来。而在原子或分子系统中，这类研究在很大程度上还无法实现。本文将胶体建模视为一种预测性框架，用于解决材料科学中的一些长期存在的挑战，包括相变分类、动态过程的控制以及缺陷对材料性能的影响。我们介绍了从实验成像数据中提取结构、动态和力学特征的方法，展示了这些特征如何揭示材料行为的关键控制因素，并说明了它们在机器学习中的应用，例如相变识别、动态过程预测和逆向设计等方面。我们并不认为胶体数据仅适用于模型系统，而是强调其作为开发可解释且基于物理原理的模型的重要价值。通过在一个实验系统中将微观机制与宏观现象联系起来，胶体数据能够生成结构化且具有普遍适用性的数据集。将其与数据驱动的方法相结合，为开发具有预测性和可转移性的材料设计策略提供了可行的途径。