基于图神经网络量化金属玻璃结构记忆的代表性信息体积

《Digital Discovery》：Quantifying the structural memory of metallic glasses with graph neural networksOpen Access

　　

金属玻璃的结构编码因缺乏长程周期性以及中程环境有限统计采样的限制而变得模糊。在此，研究人员定义了一个代表性信息体积（RIV），即能够以低误差从其原子构型中识别玻璃态热历史的最小采样体积。研究人员对Cu64Zr36进行了分子动力学（MD）模拟，涵盖从1013到109 K s?1的五个有限速率淬火，以及通过将熔体直接耦合至50 K恒温器获得的直接淬火极限态。在尺寸递增的晶胞上训练的图神经网络（GNN）表明，准确率从L = 2.2 nm时的78.7%提升至L = 3.2 nm时的91.9%，并在L = 4.4 nm时达到99.8%。复合图对照和描述符基线表明，这种交叉转变主要由采样大量局部环境所带来的方差缩减所主导，而非单一涌现的长程有序基序。因此，有限尺寸标度分析被解释为操作采样长度的定性一致性论证，而非热力学关联长度。这些结果将基于图的学习定位为一种量化无序材料中结构记忆所需采样体积的手段。

金属玻璃结构记忆的量化：图神经网络视角下的代表性信息体积解读

一、研究背景与问题提出

金属玻璃因其高弹性极限、耐腐蚀性和高强度而备受关注，然而其缺乏长程周期性，使得建立连接加工工艺与性能的类晶胞结构描述符变得困难。六十年的研究揭示其结构呈现层级有序特征：短程序（SRO）表现为优选配位多面体，中程序（MRO）则体现在纳米尺度上这些多面体的连接方式。在Cu–Zr合金中，溶质中心多面体阐明了SRO如何从优选配位中涌现，以及MRO如何由连接簇形成。直接纳米束电子衍射已可视化单个簇及其非周期拼接，支持了第一配位壳层之外的MRO图像。簇连通性和局域对称性与慢动力学及力学响应相关，由此引出一个操作性问题：可靠区分不同加工状态所需的最小结构体积是多少。

传统描述符已能从玻璃中恢复加工和稳定性信息。在石英玻璃中，基于手工结构特征的描述符回归表明，2.8–6 ?范围内的中程环境携带了预测本征结构焓所需的大部分信息。在金属玻璃中，基于对统计、Voronoi分析、涨落显微术等结构探针的研究同样将局域和中程有序与热历史、动力学稳定性和加工路径联系起来。这些结果表明热历史信息并非图学习所独有，而是引出了核心问题：需要采样多大的原子体积才能使此类信息变得可靠，以及学习到的图表示与显式结构描述符相比表现如何。

图神经网络（GNN）通过将原子结构表示为图并经由消息传递学习节点表示，为量化金属玻璃中的多尺度关联提供了自然途径。已有研究利用该框架对非晶态进行分类、预测局域重排倾向并实现无序材料的逆向设计。近期工作表明，即使在配对关联和键角分析对比度有限的条件下，GNN也能区分细微的Cu–Zr玻璃态差异。

本研究将先前Cu–Zr研究中引入的基于注意力的GNN架构和特征构建流程作为测量工具，用于回答一个新的有限尺寸问题：非晶固体碎片需要多大才能可靠识别其加工状态。研究人员分析了由五个有限速率线性淬火（10¹³至10⁹ K s^?1）和一个直接淬火极限态制备的Cu₆₄Zr₃₆玻璃，构建了L = 2.2、3.2和4.4 nm的周期性晶胞图，并使用相同的数据划分训练分类器。分类准确率提供了识别热历史所需代表性信息体积的操作性度量。本研究的创新点在于系统的L扫描、区分原子数与几何范围的复合图对照、描述符基线比较，以及将RIV解释为方差缩减/采样尺度而非热力学关联长度。

二、研究内容与主要结论

研究结果显示，GNN可访问的结构信息随系统尺寸增加而显著增强。在L = 2.2 nm时，极端淬火速率可被可靠分类，而相邻中间速率频繁混淆；L = 3.2 nm时混淆矩阵对角线变清晰；L = 4.4 nm时仅有一个样本被错误分类，学习表示呈现六个良好聚类的组群。互信息分析表明，在最大碎片尺寸下分类器恢复了99%的可用标签信息，证实增大L主要通过抑制有限尺寸噪声和减少相邻淬火速率系综间的重叠来改善判别能力。有限尺寸涨落分析显示，单样本径向分布函数（RDF）与系综平均之间的Jensen–Shannon距离随L减小而系统性增大，说明更大图通过减少结构描述符的统计变异性来提高可分离性。消融研究表明，在推理时随机化键距通道使准确率降至接近六类随机水平，而随机化角度通道产生更广泛但仍严重退化的准确率范围，表明距离通道是训练模型最主要的输入，完整准确率需要距离、角度、化学身份和图连通性的联合分布。

三、关键技术方法

研究采用的主要技术方法包括：分子动力学（MD）模拟，使用嵌入原子法（EAM）势函数在LAMMPS中进行Cu₆₄Zr₃₆的熔融淬火，生成五种有限速率淬火态和一种直接淬火极限态；图构建方法，将每个构型转换为以原子为节点、15个最近邻为边的图，节点属性编码化学身份，边属性编码配对距离，三元组属性编码键角；基于注意力的消息传递GNN架构，包含两个边卷积和一个角度卷积，随后进行均值池化和全连接分类器；复合图构建，通过拼接独立生成的2.2 nm晶胞来解耦几何范围与原子数；描述符基线方法，使用Voronoi基序分数构建逻辑回归和随机森林分类器；以及特征消融分析、互信息计算和t-SNE可视化。每种热状态和系统尺寸生成240条独立熔融淬火轨迹，每个状态200个构型用于训练和验证，40个用于测试。

四、研究结果

尺寸依赖分类：随着立方盒长度从2.2 nm增至4.4 nm，GNN测试准确率从78.7%提升至91.9%和99.8%。训练图数量从240增至1200时准确率显著提高，表明残余误差主要由有限尺寸涨落主导而非优化噪声。

复合图：大数据与中程序的解耦：拼接三个2.2 nm子胞（2058个原子）达到91.2%准确率，与单个3.2 nm晶胞（2000个原子，91.9%）基本匹配；拼接八个子胞（5488个原子）达到98.1%，略低于单个4.4 nm晶胞（99.8%）。这表明尺寸依赖性主要来自采样更多局部环境，而非跨越整个盒子的独特长程基序。

有限尺寸标度作为定性一致性论证：三个可用盒长度不足以确定唯一定标律，因此将尺寸依赖性解释为方差驱动误差缩减的定性一致性论证。RIV被操作性地定义为分类器在指定表示和数据划分协议下达到近乎完全标签恢复的测试体积，对Cu₆₄Zr₃₆而言该交叉发生在L = 3.2和4.4 nm之间。

描述符基线分类：逻辑回归基线在L = 2.2、3.2和4.4 nm分别达到60.8%、80.4%和94.5%，随机森林基线分别达到60.1%、79.0%和93.5%，均低于GNN的78.7%、91.9%和99.8%。描述符基线恢复了大量热历史信息，但GNN在所有盒长度上均表现更优。该比较限于特定Voronoi特征基线，不确立GNN普遍优于传统描述符。

详细结果：L = 2.2 nm时极端淬火速率分类可靠而中间速率频繁混淆；L = 3.2 nm时混淆矩阵对角线变清晰；L = 4.4 nm时仅一个10⁹ K s^?1样本被分配到10¹⁰ K s^?1，t-SNE投影显示六个良好聚类的组群。

互信息：从混淆矩阵计算得到L = 2.2、3.2和4.4 nm的互信息分别为1.80、2.19和2.56比特，最大为log₂6 ≈ 2.585比特。最大碎片尺寸恢复99%的标签信息。

结构涨落：单样本RDF包含配置特异性噪声，随L减小而增加。单样本与系综平均RDF之间的Jensen–Shannon距离随L减小而系统性增大，证明更大图通过减少统计变异性改善可分离性。

消融研究：随机化键距通道使准确率降至接近随机水平，随机化角度通道产生严重退化，表明距离通道是主导输入，完整准确率需要所有通道联合。

五、讨论与结论

研究揭示了两个不同但相关的尺度：GNN的局域信息视界，即通过消息传递聚合多个配位壳层达到中程序区域；以及代表性信息体积，即需要平均多个重叠局域环境以使微弱热历史差异在统计上可靠的更大图级体积。复合图结果表明后者由采样统计主导，而非跨越整个4.4 nm盒子的单一连续基序。

与实验的联系需要细致考虑。模拟淬火速率比大多数实验加工路线快多个数量级，因此不假设MD淬火标签与实验冷却速率之间存在一一映射。RIV提供采样体积标准：重建的原子电子断层扫描（AET）体积可划分为可比大小的重叠盒子，以测试局域原子结构是否包含足够信息来区分实验制备状态。从MD到AET的迁移学习应被视为需要针对实验描述符校准的域适应问题。

RIV也应与点对集（PTS）关联长度区分。PTS测量询问非晶边界条件在多大范围内约束腔内平衡结构，需要专门的钉扎边界协议；RIV询问分类器需要采样多少原子体积才能以低误差识别热历史。两者可能相关但不等价，直接基于EAM的PTS计算是重要的后续测试。

结论指出，研究将金属玻璃的结构表征重新定义为可识别性问题：相关长度是原子构型包含足够信息以低误差识别热历史的最小采样体积。在Cu₆₄Zr₃₆中，五个有限速率淬火和一个直接淬火极限态的分类随碎片尺寸快速提升，从L = 2.2 nm的78.7%升至L = 3.2 nm的91.9%和L = 4.4 nm的99.8%。描述符基线、复合图测试、互信息和消融分析共同表明，判别信号分布在多个局域环境中，仅在有限尺寸涨落被抑制后才变得可靠。由此产生的RIV是结构记忆的操作采样尺度，而非热力学关联长度。将该可识别性尺度与点对集长度、实验AET重建和传统描述符基线进行比较，是连接学习到的结构记忆与玻璃物理学的下一步方向。