验证电弧-岩浆分异的热力学模型,并训练神经网络以实现快速的热力学性质推断
《Geochemistry, Geophysics, Geosystems》:Validating Thermodynamic Models of Arc-Magma Differentiation and Training Neural Networks for Rapid Thermodynamic Property Inference
【字体:
大
中
小
】
时间:2026年04月18日
来源:Geochemistry, Geophysics, Geosystems 3
编辑推荐:
摘要
岩浆系统是岩浆在固态地壳中迁移和储存过程中成分演变的产物。在多相传输建模中,直接计算岩浆传输过程中的热力学性质仍然是一个主要挑战,因为这需要大量的计算资源。在这里,我们提出了一个基于神经网络的概念验证工作流程,以应对这些挑战。首先,我们通过将Gibbs自由能最小化(GFE
摘要
岩浆系统是岩浆在固态地壳中迁移和储存过程中成分演变的产物。在多相传输建模中,直接计算岩浆传输过程中的热力学性质仍然是一个主要挑战,因为这需要大量的计算资源。在这里,我们提出了一个基于神经网络的概念验证工作流程,以应对这些挑战。首先,我们通过将Gibbs自由能最小化(GFEM)软件MAGEMin与实验室实验的结果进行比较,来验证用于模拟弧状岩浆分化的热力学数据库。其次,我们使用MAGEMin生成了一个涵盖与弧状岩浆相关的整个温度、压力和成分空间的数据集。然后利用这个数据集来训练一个神经网络,以便快速推断热力学性质。结果表明,MAGEMin预测的液体成分和密度与实验测得的结果总体一致。矿物相丰度预测的准确性取决于起始成分。值得注意的是,与其他热力学软件包相比,该热力学模型在预测角闪石稳定性方面表现更好。该神经网络在预测弧状岩浆的热力学性质时表现出优异的性能和准确性。液体成分和密度的预测误差的均方根值分别低于1 wt.%和16 kg m?3。与GFEM计算相比,该网络在CPU上的执行速度大约快3000倍,并且可以在1.0毫秒内处理10,000个数据点。我们的工作流程为将成分依赖的物理性质整合到反应传输算法中提供了一种高效的方法。为了实际应用,需要对网络进行重新训练,使用特定应用的数据集。
简单语言总结
理解岩浆系统对于预测火山爆发以及满足社会需求的矿产资源遗传模型至关重要。控制这些系统的基本过程包括岩浆的成分演变、在固态地壳不同深度的传输和储存。这些过程的时空尺度太大,无法在实验室中直接观察或重现,因此数值建模是进一步了解岩浆系统的关键方法。当前的数值模型在同时解决岩浆的成分演变和传输问题时会遇到困难,主要是因为计算岩浆演变过程中的稳定相非常耗时。在这里,我们提出了一个结合传统热力学模型和创新机器学习技术的工作流程。首先,我们通过将热力学模型与实验室实验结果进行比较来验证它们。其次,我们训练了一个神经网络,使其能够在大范围的成分、温度和压力范围内对弧状岩浆的热力学性质进行高维插值。该神经网络在预测弧状岩浆的热力学性质方面表现出优异的性能和准确性。
1 引言
岩浆系统是岩浆在地壳多个深度上升、储存和成分演变的复杂产物(Cashman等人,2017年)。这样的岩浆最终可能到达地表,形成危险的火山喷发,也可能在地壳中停滞并释放大量流体,从而形成具有经济价值的矿床。岩浆系统的命运是地壳力学与岩浆冷却和分化过程中化学演变的复杂相互作用的结果(Bachmann & Huber,2016年;Sparks等人,2019年)。随着岩浆冷却并分化为富含二氧化硅的成分,其熔融部分减少,残留熔体通常变得更不密、更粘稠,并且会在某一主导流体相中饱和。岩浆系统的地球动力学模型旨在准确反映岩浆化学和物理性质随时间的变化。通常,这些模型使用在相同温度、压力和成分下进行的实验来预测岩浆的成分演变(Abdullin等人,2024年;Annen等人,2006年)。然而,实验数据库在压力-温度-成分(P-T-X)空间中的分布较为稀疏,数据集主要聚集在2-3千巴和7-10千巴的压力范围内,以及玄武岩和英安岩成分附近(图1)。因此,当岩浆的成分偏离校准数据集的P-T-X空间,或者在模型覆盖较大P-T-X空间的情况下(例如在观察到地壳中岩浆演化的弧状岩浆系统中,Glazner & Ussler,1988年;Jagoutz,2014年),这种方法是不合适的。因此,一些研究将数值模型与热力学软件(Gibbs自由能最小化[GFEM]结合使用,如Perple_X(Connolly,2005年)、MELTS(Ghiorso & Sack,1995年)、Theriak Domino(de Capitani & Brown,1987年)以及最近的MAGEMin(Riel等人,2022年),以预测广泛的P-T-X条件下的熔体演变(Afonso等人,2013年;Rummel等人,2018年;Rummel, Baumann, & Kaus,2020年)。图1展示了二维核密度估计结果,(a)显示了实验在温度-压力空间中的分布,(b)显示了实验结束时起始材料的二氧化硅含量与液体分数的关系。 accompanying histograms显示了在(a)和(b)的轴上显示的每个给定变量值进行了多少实验。使用标准差为25°C和0.1千巴的高斯核进行平滑处理。数据显示,在950至1100°C、3-4千巴和6-7千巴的压力下,以及二氧化硅含量接近50%和65%的条件下存在采样偏差。由于地球动力学模型和热力学模型在并行化范式上的根本差异,直接耦合这两种模型在计算上具有挑战性:地球动力学求解器通常针对分布式或共享内存并行性进行了优化,而热力学计算基本上仍然是串行的。因此,解决热力学问题占据了大部分运行时间,相对于高度并行的力学求解形成了瓶颈。目前最可行的方法是使用GFEM软件计算“查找表”(例如,L. G. Candioti等人,2021年;Gerya等人,2004年;Kaus等人,2005年;Yamato等人,2007年等),这对恒定体积岩石成分来说效果不错。然而,模拟系统的成分演变需要预先计算大量的相图并在10维空间中进行非线性插值(Rummel, Baumann, & Kaus,2020年),这并非易事。Riel等人(2022年)引入了一个名为MAGEMin的新热力学软件包,它比现有软件更适合与地球动力学代码结合使用,因为它具有并行性(可扩展性),因此速度更快。MAGEMin是一个C语言库,并附带了一个Julia包装器,几乎可以无缝集成到任何计算平台的地球动力学代码中,同时实现了多种热力学数据库。虽然单个MAGEMin伪截面评估的执行时间可能在100-200毫秒内完成,具体取决于系统的含水量(Riel等人,2022年),但与地球动力学算法中同时处理数千个数据点的计算时间相比,这些执行时间仍然明显较长。除了并行化之外,MAGEMin还提供了使用初始猜测来加速最小化的能力,在最佳情况下可进一步提高速度一个数量级。然而,当直接解决复杂的热力学系统时,为了有效耦合到地球动力学代码,1毫秒的执行时间似乎仍然难以实现。为了克服这一障碍,越来越多的研究提出了并实现了模拟相平衡计算的神经网络和机器学习技术(De Lucia & Kühn,2021年;Demirer等人,2023年;Guérillot & Bruyelle,2020年;Jatnieks等人,2016年;Kerswell等人,2024年;Leal等人,2020年)。尽管这些研究一致报告称,使用所谓的替代模型(即在给定任务中用另一个模型替换当前模型,例如估计热力学性质)与传统地球化学求解器相比,可以实现10-1000倍的加速,但训练数据的选择仍然是一个重大挑战,并且对替代模型的准确性有重要影响。特别是在时间演变的模拟中,通常需要在训练过程中添加物理约束,以减少替代模型预测的累积误差(Silva等人,2025年)。在将这些技术扩展到用于模拟地下流体传输和地壳中岩浆迁移的过程中时,需要仔细解决这些挑战。我们对弧状岩浆演变的理解在很大程度上受到实验室实验的限制(Müntener & Ulmer,2018年)。图1显示了在火山弧典型P-T范围内可视化了的400多个实验的P-T-X条件核密度图。由于实验设备(冷密封压力容器、内部加热的压力容器、活塞圆柱)的运行条件,大多数实验聚集在P-T-X空间的某些区域,因此并未覆盖弧状岩浆可能储存的所有条件。因此,仅使用实验数据来训练神经网络不足以保证准确的预测。可以通过使用热力学软件为真实的弧状岩浆成分生成大量相图来补充图1中实验涵盖的区域。这种方法确保了足够的覆盖范围,从而使网络可以训练在更全面的数据集上。在这项研究中,我们提出了一个基于神经网络的概念验证替代模型,该模型可以模拟广泛的弧状岩浆成分的相平衡计算。目标是生成一个快速、高维的非线性插值器,它能够理解弧状岩浆的热力学输入和输出量之间的复杂关系。为此,我们首先证明Holland等人(2018年)的热力学数据库可以通过与实验结果比较来准确再现弧状岩浆的成分演变。基于这一验证,我们使用MAGEMin生成了一个覆盖与地壳中弧状岩浆演变相关的P-T-X空间的成分数据库。我们开发了一个神经网络架构,可以快速推断这些成分,具有与地球动力学代码耦合的高潜力。这一概念验证证明了该方法的可行性。对于实际应用,应该根据地球动力学模型预测的流动机制来选择(a)用于训练网络的数据和(b)网络预测的热力学性质。
2 方法
2.1 实验汇编
通过对相同温度、压力和总体成分的实验结果与热力学软件的输出进行比较,对热力学模型进行了基准测试。为了保持一致性,我们采用MAGEMin对三相聚集体的命名法。此后,我们将分别使用液体、流体和固体来表示熔体、岩浆挥发性相以及稳定的矿物相。为了生成用于测试MAGEMin对弧状岩浆演变适用性的数据集,我们改编了一个之前发表的实验汇编(Weber & Blundy,2024年)。该数据集包含了实验条件(温度、压力、氧气逸度、运行时间)、实验结束时的液体成分以及固体中每个稳定矿物相的比例。我们包括了Johnston(1986年)、Baker和Eggler(1987年)、Kelemen等人(1990年)、Sisson和Grove(1993a, 1993b年)、Blatter和Carmichael(2001年)、Barclay(2004年)、Villiger(2004年)、Kagi(2005年)、Sisson等人(2005年)、Müntener和Ulmer(2006年)、Botcharnikov等人(2008年)、Blatter等人(2013年)、Nandedkar等人(2014年)、Blatter等人(2017年)、Marxer和Ulmer(2019年)以及Blatter等人(2023年)的实验(详见图1中的实验数据密度图)。此外还编译了起始材料的主要元素成分(MAGEMin所需的输入)以及实验结束时每个矿物相的测量丰度。对于流体饱和的实验,起始材料的初始O含量是根据MagmaSat(Ghiorso & Gualda,2015年)的水溶解度模型,使用Python包Vesical(Iacovino等人,2021年)计算得出的。为了将实验液体的密度与MAGEMin计算的密度进行比较,使用了Python包DensityX(Iacovino & Till,2019年)来计算实验液体的密度。完整的实验汇编包括484个实验,作为“MineRS_MagmaDB_merged_v2_H2Ocalc.csv”在相关的GitHub仓库中提供(详见可用性声明部分)。
2.2 使用MAGEMin进行吉布斯能量最小化
2.2.1 MAGEMin设置
本研究中的吉布斯自由能最小化使用MAGEMin的Julia接口进行(Riel等人,2022年),MAGEMin_C.jl(v1.8.1用于实验比较,v1.9.9用于所有与网络相关的数据)。该软件使用线性规划、扩展的Gibbs能量分割和基于梯度的局部最小化来计算给定温度、压力和总体成分下的稳定矿物相和熔体成分。选择了Holland等人(2018年)的火成岩热力学数据库,后来由Green等人(2025年)进行了更新。我们的比较补充了Weller等人(2024年)对MAGEMin中火成无水碱性数据库的基准测试,该数据库与火成岩数据库共享一些状态方程。在我们的基准测试中,特别重要的是要检验水合矿物相(角闪石和黑云母)是否能够被准确预测,因为某些方法(例如MELTS)不适用于水合矿物相的平衡分析(Gualda等人,2012年)。为了进行实验比较,我们纳入了火成岩数据库中所有可用的溶液模型和纯相数据,然后将液态主要氧化物的浓度重新标准化为无水组成,以保证一致性。然而,在生成用于训练和测试神经网络的数据集时,我们排除了纯相模型中的“fl”(流体)相。这种排除避免了主要氧化物分配到流体相中,并假设自由流体相是纯水——鉴于MAGEMin在模拟详细流体化学方面的当前限制,这种简化是合理的。根据所测试的实验的不同,我们会激活MAGEMin的缓冲功能,以使f在相同的缓冲条件下(例如镍-镍氧化物)和delta值(例如对数单位)与实验报告的结果保持一致。为了激活缓冲功能,需要在整体组成中加入额外的成分(Weller等人,2024年),并且在每个组成中添加了4mol%的这种成分,以确保缓冲功能的始终存在。然后对每个实验起始组成、压力和温度进行逐点最小化处理,并将液态组成和相的丰度与实验报告的结果进行比较。
2.2.2 生成弧岩浆组成的训练数据集
为了生成地壳中弧岩浆热力学性质的训练数据集,必须构建一个P-T-X参数空间。对于温度范围,我们使用了650–1,300°C来覆盖从亚固相到过液相条件的最大范围。对于压力范围,我们使用了0.1–10 kbar来覆盖从地表到大陆弧岩基部的范围。组成范围必须是一个可以探索的弧岩浆组成的多变量分布。我们选择了与Holland等人(2018年)的火成岩数据库相关的九种主要氧化物。有三种氧化物被排除在外,原因如下:(a)它们在弧岩浆中的丰度可以忽略不计;(b)它们在实验室实验中经常没有被报告。然而,进一步通过省略其他氧化物来降低维度是不可取的,因为这些氧化物直接影响尖晶石和钛铁矿的稳定性,从而影响计算出的密度。捕捉这些组成数据的协变性很重要,因为将每种主要元素视为独立的单变量分布可能会导致不真实的组成(例如,高含量的某些氧化物)。为了得出一个初始的组成空间以供采样,我们编制了一个全岩主要元素组成的数据库(Nathwani等人,2022年),该数据库是从GEOROC数据库(Lehnert等人,2000年)中改编和筛选而来的。由于火山岩更接近于液态组成,而不是累积的晶体,所以我们采用了火山岩数据。由于这个组成数据库可能偏向于那些到达地表的更进化了的组成,我们补充了一个原始弧岩的全岩数据库(Schmidt & Jagoutz,2017年)。任何没有报告主要氧化物的组成都没有被纳入最终数据库。整个全岩地球化学数据库包含4,516个组成(其中960个来自原始弧岩浆编制,3,556个来自GEOROC数据库)。初始组成数据库显示出非常高的方差和大量的异常值。我们的目标是采样100个组成,这些组成能够最好地定义弧岩浆的一般组成方差,同时使用最少的数据点,并且不会过度采样低概率区域。因此,我们设计了一个工作流程来生成合成组成以训练和测试神经网络(图2)。首先,通过丢弃位于核密度估计89%概率质量之外的数据来过滤组成空间中的异常值。这一阈值被证明能够隔离出主要的数据点集群。在该阈值之上,有几个较小的集群出现在主要数据趋势之外。然后,对每种主要元素进行回归分析,使用最小二乘多项式拟合:(具体多项式函数的阶数用括号表示)。这些回归用于计算随机抽取的含量的主要元素组成,含量在47%到66%之间。为了在这些组成中引入一些方差,根据每个主要元素在指定区间内的标准差,向每个合成组成中添加高斯噪声。最后,由于存在稀有的异常值,最终数据集再次被过滤,以确保所有点都位于初始GEOROC数据库的89%概率轮廓内。通过这种方法总共生成了100个合成组成,这些组成被用来使用MAGEMin生成100个相图。为了考虑水的影响,我们在初始组成中添加了一个恒定的4%的含水量。尽管在弧岩浆中发现了不同的含水量范围,但我们发现完全考虑初始含量的可能变异性会大幅增加我们的数据集规模。任何使用此类替代模型的未来研究都应该限制它们需要泛化的P-T-X空间,以便替代模型能够在现实的时间框架内得到训练和优化。
氧化物的Harker图(a–g)用于使用MAGEMin生成数据。这些组成来自GEOROC数据库。蓝色圆圈标记表示训练组成,黄色方块标记表示测试组成。黑色实线代表一般数据趋势,虚线轮廓表示89%数据点所在的边界。在这里,我们受益于MAGEMin相比其他GFEM软件包的两个主要计算优势:(a)MAGEMin支持多线程,允许并行执行最小化;(b)MAGEMin具有自适应网格细化功能。这种数值技术允许在高分辨率下计算相图,同时保持数据集足够小,可以在单个图形处理单元(GPU)设备上进行训练。我们使用五个初始网格级别和两个额外的细化级别来生成相图。我们用于训练网络的最终数据集包含大约980,000个平衡组合。
2.3 多任务学习多层感知器
我们主要使用两个Julia包来配置和训练神经网络:Lux.jl(Pal,2023年,v1.13.2)和Optimizers.jl(v0.4.6),后者是Flux.jl包的一部分(Innes等人,2018年)。Lux为我们的机器学习算法提供了主要框架。它配备了构建网络架构的构造函数,在CPU和GPU上初始化数组(通过LuxCUDA.jl,v0.3.3),定义损失函数,并使用自动微分包(如Zygote.jl,v0.7.7)(Innes等人,2019年)计算梯度。
2.3.1 网络架构
神经网络的主要目标是在十维空间内插值系统的热力学性质。因此,神经网络充当一个多维的非线性回归工具。由于我们考虑的是三相系统(固体、液体和流体),我们需要至少两个分类器来预测液体和流体是否与固体共存。这里适用的一种合适的神经网络类型是多任务学习多层感知器(MTL-MLP,例如Crawshaw,2020年)。这些网络由一个共享的骨干网络组成,该网络扩展并提取输入层和输出层之间的关系,以及不同的头部,负责对热力学输出参数进行预测。本研究中使用的架构的图形表示如图3所示。类似于MAGEMin的输入变量,替代模型将温度、压力以及系统的、和(以下简称)+、和等浓度作为输入变量。将+结合起来可以减少输入参数空间的维度。这种简化是合理的,因为组合后的值反映了各个物种的趋势,确保了主要的地球化学信号得以保留(见支持信息S1中的图S6)。请注意,我们仅为网络合并了碱金属元素。在实验比较和使用MAGEMin生成训练数据的背景下,和是分别处理的。为了提高神经网络的性能和鲁棒性,我们对输入参数(压力、等)和输出参数(液体中的浓度等)应用了对数变换。在训练之前,所有输入参数还使用Z分数标准化进行了进一步处理,确保训练过程完全在缩放后的值上进行。这一步预处理有助于减轻参数大小和分布的变化对收敛行为的影响。
2.3.2 多任务学习多层感知器的架构
多任务学习多层感知器的架构中,鲑鱼色的圆圈代表神经元,黑色实线箭头表示神经元之间的连接,黑色虚线箭头表示前向传递的方向。为了减少输出参数空间的维度,我们选择仅对液体、流体和系统的性质进行网络训练。固体的任何密集热力学性质都可以通过后处理从预测的量中计算出来,同时遵守质量平衡约束:
(1)
其中,分别是系统、液体和流体的性质,和分别是液体和流体的相分数。虽然这种方法显著降低了神经网络的复杂性,但它有一个计算极限:在流动相(液体和流体的总和)分数很高时,方程式中的分母趋近于0,这使得该方程不再有效。我们观察到即使流动相分数高达80 wt.%,也能得到一致的固体密度计算结果(参见支持信息S1中的文本S5和图S5)。在数据集中有相当大比例的样本显示出较高流动相分数的情况下,建议直接对液体、流体和固体的性质进行网络训练。这里,网络被训练用来(a)分类液体和流体的存在与否,(b)预测上述主要氧化物的浓度(根据其丰度分为三个单独的头部)在液体中,(c)系统密度,(d)液体和流体的分数,以及(e)液体和流体的密度。我们选择这些参数是因为大多数多相地球动力学算法都需要它们,并且与其他量(如热容量)相比,所选参数在其数值范围内的变化性更大。10个输入特征通过骨干网络传递——骨干网络由一系列定义了特定数量神经元的隐藏层组成。从骨干网络的最深层开始,信息分支到八个不同的头部。
2.3.2 训练和验证程序
网络的层数和每层的神经元数量被称为网络的超参数。它们控制网络捕捉数据模式的能力,但在训练过程中不会直接学习这些参数。相反,它们的最佳值是通过系统参数研究找到的(见表1)。对于每种参数组合,我们应用五折交叉验证程序来评估替代模型的性能和鲁棒性。具体来说,我们使用五折交叉验证,即将训练数据分成五份不同的部分,每份分别包含80%用于训练和20%用于验证。在五次迭代中的每一次,80%的部分用于通过最小化损失函数来更新网络参数,而剩余的20%部分用于测试网络对未见数据的泛化能力。这种方法不仅确定了最佳的超参数设置,还有助于检测过拟合情况,并评估网络的稳定性和可重复性(Morin & Davis,2017;Mosier,1951)。表1. 测试的超参数及其值
训练本身是一个迭代优化过程,旨在最小化替代模型预测与训练数据之间的不匹配。我们将迭代次数——称为周期——固定为500次,这意味着整个数据集会被网络处理500次。我们发现这个次数是足够的,因为对于我们的数据集来说,损失函数在较早时就会趋于稳定。训练是在配备了48 GB内存的NVIDIA RTX-A6000 GPU上进行的,以加速计算。我们采用批量训练方法,将训练数据分成较小的组,或批次。这种方法在计算效率和准确性之间取得了平衡:较大的批量可以减少训练时间,但可能会限制网络对新数据的泛化能力;而较小的批量则会引入更多的随机变化,这有助于提高泛化能力(例如,Keskar等人,2017年)。批量大小与层数和每层的神经元数量一起,构成了我们在交叉验证研究中优化的第三个关键超参数。我们的超参数搜索优先考虑了与架构相关的参数(深度、宽度、批量大小),因为初步测试表明这些参数对性能影响最大。虽然未来的工作可以进一步探索学习率调度和优化参数,但我们建议针对特定数据集进行更全面的超参数搜索,以适应实际应用。为了捕捉输入参数与液体、流体和整个系统的热力学性质之间的复杂非线性关系,我们使用了以下层架构:
在方程2中,表示非线性激活函数,它引入了非线性,并使网络能够近似复杂的关联。我们使用激活函数,因为它非常适合我们数据中的输入-输出关系的非线性特征。方程3描述了如何在每一层中,使用权重矩阵和偏置项线性组合前的层的输出。在第一层中,方程3中的对应于实际输入数据,而在所有后续层中,输入则是前一层的输出。权重矩阵和偏置向量是网络的可调参数。它们分别用正态分布和零初始化(Glorot & Bengio,2010年)。每一层的输出会通过网络传递,直到获得最终预测结果。前向传播完成后,使用损失函数将替代模型的预测结果与已知训练数据进行比较,这些损失函数量化了替代模型的表现。对于负责预测是否存在相(液体或流体)的分类器头部,我们使用二元交叉熵损失:
(4)
对于回归头部,它们预测连续量,如热力学性质,我们使用Huber损失:
这种损失结合了均方误差和绝对误差的优点,对异常值不太敏感,同时在优化过程中保持稳定性。总损失是所有头部损失的总和。为了避免在没有相的情况下计算回归损失,我们将预测值和参考值都乘以一个二进制掩码。这确保了在没有液体或流体相的样本中Huber损失为零,从而将优化仅集中在相关数据上。损失评估后,我们计算总损失对所有网络参数的梯度,并使用专门的优化算法迭代更新它们。主干网络和分类器头部使用AdamW进行优化——Adam算法的一种变体(Kingma & Ba,2017年),并使用了Optimizers.jl包中的固定权重衰减正则化。回归头部使用同一库中的标准Adam优化器。学习率控制参数更新的大小,在前50个周期内保持恒定。然后将其增加到,并使用余弦退火方法进行后续调整(Liu,2022年等),随着训练的进展逐渐降低学习率。
其中是当前学习率,和定义了其范围,是当前周期数,指定了学习率重置的频率。余弦退火通过在训练结束时降低学习率来帮助平滑收敛。学习率调度避免了局部最小值,提高了泛化能力,并加快了收敛速度。在交叉验证期间,我们通过设置来禁用学习率重置。交叉验证后,最终网络在完整数据集上训练1000个周期,在热身阶段后每250个周期重置一次学习率。尽管学习率和衰减常数通常被视为额外的超参数,但它们的影响强烈依赖于数据,特别是在数据缩放上(见支持信息S1中的文本S1和图S1a和S1b)。初步测试表明,与整体网络架构相比,它们的影响是次要的。为了保持关注点并降低计算成本,因此我们在交叉验证研究中排除了这些参数。在验证了神经网络并选择了最佳超参数后,我们进行了独立的测试,以评估替代模型对新数据的泛化能力。这次测试使用了训练过程中未包含的成分组合。为了确保公平评估,这些测试成分必须与训练数据具有相同的多元分布,以便替代模型在其学习到的参数空间内进行评估,同时避免与整个岩石成分的训练数据库重叠。为了创建测试集,我们使用了与训练数据生成过程中相同的方法生成了75个新的成分组合。
3 结果与讨论
3.1 热力学模型在预测弧熔岩环境中相平衡的适用性
比较MAGEMin和在等P-T-X条件下的实验的目的是测试实验中观察到的液体和固体成分的变化是否能够被MAGEMin(及其分配的热力学数据库)准确再现。我们没有将吉布斯能量最小化的输出液体成分与实验液体进行比较,而是计算了起始成分与每种主要氧化物液体之间的重量百分比差异(图4)。这使我们能够评估热力学模型预测冷却时熔融体演变的准确性,而不是其在接近液相线条件下再现起始成分的能力。尽管数据分布分散,但大多数氧化物的总体趋势是线性的,表明MAGEMin的预测与实验结果相当吻合。分布进一步表明,MAGEMin预测的液体氧化物与实验室测量结果的一致性取决于起始液体成分,即对于某些成分,预测误差非常小,而对于其他成分,误差可能相当大。图4显示了主要氧化物的最终液体成分与起始材料成分之间的差异。水平轴显示实验报告的浓度,垂直轴显示MAGEMin预测的浓度。实线金色线条表示一致,即MAGEMin和实验浓度相同。详细来说,MAGEMin对、和的液体预测与实验确定的值相当吻合(图4a–4d)。这反映了热力学模型预测橄榄石、长石和角闪石稳定性的准确性(图5a–5c)。相比之下,热力学模型在再现和的变化方面的能力较差(图4f和4g),这可能与热力学模型和实验中正交辉石和单斜辉石丰度之间的巨大不匹配有关(图5d和5e)。的轻微过预测(图4e)和的强烈过预测(图4h)反映了模型和实验中钛铁矿和尖晶石丰度之间的不匹配(图5g和5h)。考虑到钛铁矿和尖晶石对吉布斯自由能的贡献非常小,因此在模型中忽略它们并不令人惊讶。此外,热力学模型在预测含水系统中角闪石稳定性方面的相对较强表现(图5c)尤为重要,因为它解决了其他热力学软件包的一个已知限制(Gualda等人,2012年)。图5显示了不同压力下MAGEMin与Blatter等人(2013年、2023年)实验结果的相位丰度比较。在4和9 kbar的压力下,MAGEMin正确预测了角闪石的存在(图6a–6d),这是含水岩浆系统中的一个关键相,特别是在下地壳中。这是一个重要的观察结果,因为其他热力学模型难以预测角闪石的稳定性(Gualda等人,2012年)。在4和9 kbar压力下,MAGEMin没有预测橄榄石是稳定的,反而预测正交辉石会结晶(图6a–6d)。然而,在3 kbar压力下,MAGEMin预测橄榄石是稳定的(见支持信息S1中的图S2a),因此其稳定性在不确定性范围内,因为热力学模型预测的相边界不确定性高达50°C–100°C和1–2 kbar(Green等人,2016年)。此外,Blatter等人(2023年)报告了他们估计的相位丰度有10%的不确定性,对于辅助相,这种不确定性可高达50%。MAGEMin还预测了4 kbar压力下尖晶石的稳定性,而实验中并未观察到这一点。在16.7 kbar压力下,MAGEMin没有预测正交辉石和角闪石的稳定性,这与实验结果相反(图6e和6f)。与实验相比,MAGEMin预测斜长石在更高温度下是稳定的。在所有测试的压力和温度值下,MAGEMin的预测与实验确定的液体分数一致(图6中的白色相)。
3.2 不同压力下弧熔岩分异的基准测试
为了更详细地比较热力学模型在预测弧熔岩环境中的相平衡方面的表现,我们使用了Blatter等人(2013年、2023年)的报告的实验数据,这些实验研究了适合中下地壳的六种不同压力(4.0–16.7 kbar)下含水玄武岩的结晶过程。我们发现热力学模型在预测实验的相组合(图6)和液体成分(见支持信息S1中的图S2b)方面表现特别出色。图6显示了MAGEMin与Blatter等人(2013年、2023年)实验结果在不同压力下的相位丰度比较,其中ol代表橄榄石;opx代表正交辉石;cps代表单斜辉石;grp代表石榴石;pl代表长石;amp代表角闪石;spl代表尖晶石;lig代表液体。水平轴显示温度,垂直轴显示矿物丰度。在4和9 kbar压力下,MAGEMin正确预测了角闪石的存在(图6a–6d),这是含水岩浆系统中的一个关键相。鉴于其他热力学模型难以预测角闪石的稳定性(Gualda等人,2012年),这是一个重要的观察结果。在4和9 kbar压力下,MAGEMin没有预测橄榄石是稳定的,反而预测正交辉石会结晶(图6a–6d)。然而,在3 kbar压力下,MAGEMin预测橄榄石是稳定的(见支持信息S1中的图S2a),因此其稳定性在不确定性范围内,因为热力学模型预测的相边界不确定性高达50°C–100°C和1–2 kbar(Green等人,2016年)。此外,Blatter等人(2023年)报告了他们估计的相位丰度有10%的不确定性,对于辅助相,这种不确定性可能高达50%。MAGEMin还预测了4 kbar压力下尖晶石的稳定性,而这在实验中并未观察到。在16.7 kbar压力下,MAGEMin没有预测正交辉石和角闪石的稳定性,这与实验结果相反(图6e和6f)。与实验相比,MAGEMin预测斜长石在更高温度下是稳定的。在所有测试的压力和温度值下,MAGEMin的预测与实验确定的液体分数一致(图6中的白色相)。
3.3 预测含水和无水岩浆的物理性质
我们发现热力学模型预测的液体分数与实验结果之间有很好的一致性(图5f)。MAGEMin有一个普遍的偏见,即预测的熔融体分数高于实验结果(图5f)。这也可以通过MAGEMin在预测某些相的丰度时略微偏低来观察到,主要是斜长石,但单斜辉石也是如此(图5a和5e)。在给定温度下岩浆中的液体分数对溶解的量非常敏感,这种效应随着溶解量的减少而增强(Holtz & Johannes,1994年)。实验表明,额外溶解1 wt.%的将使熔融体分数增加约15%(Whitney,1988年)。对于一些实验,我们发现MAGEMin输出的温度-液体分数曲线与Marxer和Ulmer(2019年)对2 kbar下透长岩浆的含水结晶实验的结果非常一致(图7a)。这些作者还将他们的实验温度-液体分数曲线与MELTS进行了比较,结果表明两者之间有很好的一致性,尽管我们注意到Holland等人(2018年)的模型似乎比MELTS(Marxer & Ulmer,2019年)更好地捕捉了立方体温度-液体分数曲线。MAGEMin与实验之间的液体分数差异在名义上无水的实验中似乎最大。例如,Villiger(2004年)的名义上无水的结晶实验中,给定温度下的液体分数可能比MAGEMin预测的高出50%以上(图7b中的深蓝色实线带三角形标记)。使用0.5 wt.%的重新运行MAGEMin模拟后,模型化的液体分数与实验结果之间达到了 consistency(图7b中的深蓝色虚线带三角形标记)。这可能表明这些实验中存在少量的。在名义上无水的实验的起始材料中存在微量水分是非常常见的,可能导致液体中的浓度高达1 wt.%(Laporte等人,2004年;Médard等人,2008年;Sarafian等人,2017年)。总体而言,我们注意到热力学模型与实验之间的不一致性在其相关的不确定性范围内。图7显示了(a)Marxer和Ulmer(2019年)的含水实验和(b)Villiger(2004年)的无水实验的累积液体分数。浅蓝色圆圈和实线表示实验值,深蓝色三角形和实线表示MAGEMin的计算结果。附加的深蓝色虚线带三角形代表一个数值实验,该实验使用与Villiger(2004)中相同的压力和温度条件,但增加了0.5 wt%的水分,使得实验略微含水。(c) 液体密度及其不确定性是根据Iacovino和Till(2019)中提出的公式计算得出的。蓝色表示起始浓度,单位为wt.%。实心金线表示单位值,即MAGEMin和实验浓度相同。总体而言,MAGEMin对密度(图7c)的预测与DensityX(Iacovino & Till, 2019)计算的实验液体密度非常吻合。在这里,初始含水量对预测的准确性影响不大。
3.4 使用热力学模型进行弧岩浆演化建模的建议
我们的研究证实了Holland等人(2018)和Green等人(2025)开发的热力学数据库适用于通过MAGEMin(Riel等人,2022)进行弧岩浆分化的建模。然而,这些数据库再现实验相组成的能力在很大程度上依赖于具体的成分。这种依赖性可能反映了热力学模型最初校准时的成分范围。我们的分析没有发现均方根误差(RMSE)与MAGEMin中使用的实验起始条件之间存在强烈的相关性。然而,我们观察到在液相线附近,温度与起始成分有中等程度的相关性,而在起始成分较高(超过13 wt%)和中等成分时相关性较低(见支持信息S1中的文本S7和图S7)。这些模式可能反映了在液相线附近有限的结晶过程,以及热力学数据库对尖晶石、钛铁矿、斜长石、角闪石和辉石等相的求解模型的局限性。由于RMSE与起始成分之间没有相关性,我们无法提供关于哪些成分MAGEMin的预测最为准确的通用指导原则。因此,用于建模的总体成分应仔细地与实验和自然数据进行比对,以确保它们位于校准空间之内。对于模拟弧状玄武岩的深部到中部地壳的演化,建议使用Blatter等人(2013, 2023)的实验结果,因为这些实验结果与MAGEMin的计算结果一致。热力学模型在预测次要相的丰度方面存在困难,这反映了这些相对系统总吉布斯自由能的贡献较小;因此,应谨慎解释这些结果。热力学数据库能够高精度地再现主要氧化物的演化过程。
3.5 通过交叉验证和超参数调整提升神经网络的性能
在较小的批量大小下(图8a),验证损失在神经元数量较多且层数较少的情况下达到最低点。随着架构的加深(即层数增加),在最低测试批量大小下,高神经元数量时的验证损失会增加,这可能表明发生了过拟合。增加批量大小可以稳定平均验证损失曲线,对于深层架构(神经元数量多且层数多)来说,预计会出现最低点(图8b和8c)。一个包含三层、256个神经元,并在16,384个样本的批量大小上训练的替代模型,在验证数据上获得了最小的平均绝对误差(MAE)(见图8f中的白色星号)。这一观察结果与Kerswell等人(2024)的发现一致,他们也报告了深层神经网络架构的更高准确性。图8
交叉验证结果。面板(a-c)显示了在不同批量大小下,验证损失随层数和神经元数量的平均映射。面板(d-f)显示了预测输出的累积平均绝对误差,白色星号标记了最低值,而(g)显示了带有在(f)中用白色星号标记的超参数的替代模型的训练和验证损失的演变。批量大小是一个直接影响训练时间的超参数。在我们的实验中,使用最大测试批量大小(16,384)训练的网络取得了最佳的泛化能力。尽管大型批量通常被认为会损害泛化能力——因为优化可能会收敛到尖锐的最小值(Keskar等人,2017;LeCun等人,2012)——但这种效果强烈依赖于数据集和训练设置。在许多研究中,使用较小批量训练的网络比使用较大批量的网络表现更好(Smith等人,2020)。因此,确定最佳批量大小具有挑战性,因为它取决于多个因素,包括优化器、数据属性和网络架构(例如,Shallue等人,2019)。Zhang等人(2019)和L. Chen等人(2018)的最新工作表明,将Adam优化器与较宽而不是较深的网络结合使用可以增加临界批量大小——即泛化开始恶化的点。我们的结果支持这些发现:对于热力学数据集,每层256个神经元且深度为三层的宽网络比使用较小批量训练的狭窄架构表现更好(图8)。在整个训练周期中,验证损失一直高于训练损失,并在大约475个周期后开始趋于平稳(图8g)。损失减少了两个数量级。在50到75个周期之间的急剧增加可以归因于从学习率保持不变的预热阶段过渡到学习率按照余弦函数递减的正式训练阶段。
3.6 替代模型的准确性
图9将替代模型的输出参数预测与MAGEMin对测试集的真实值进行了比较。图9a-9m中显示的参数是直接的替代输出参数。图9n显示了使用方程1在后期处理中计算出的固体密度。总体而言,替代模型预测的值与真实测试数据非常吻合(大约50,000个测试数据点几乎都落在对角线上)。如前所述,当流动相分数较高时,方程1中的分母趋近于零,导致后期处理后的固体属性出现较大误差。通过将替代模型预测的残差协方差传播到固体密度计算(方程1)中,我们发现当流动相分数超过80 wt%时,预测误差超过了绝对密度值的10%(见支持信息S1中的文本S5和图S5)。因此,当预期流动相分数较高时,我们建议直接在液体、流体和固体属性上训练网络。图9
替代模型预测的准确性与MAGEMin计算的真实值进行了比较。我们包括了真正例、假正例、真负例和假负例的预测。(a-h)液体中的主要氧化物浓度,(i)系统密度,(j)液体分数,(k)流体分数,(l, m)液体和流体密度,(n)固体密度,以及(o)根据Giordano等人(2008)计算的液体粘度(详见支持信息S1中的文本S4)。图(a-m)中显示的参数是替代模型的直接输出参数,(n-o)是在后期处理中从这些输出计算得出的。测试点总数约为50,000个。实心金线表示单位值,即MAGEMin和替代模型的预测结果相同。预测的不确定性通过MAE以及预测值与真实值之间的差异与MAE的偏差来表示(见图10)。我们的替代模型在流体和液体分类器的分类准确性上达到了98%(图10c和10f中的真正例+真负例)。尽管这些数值最初可能看起来非常高,但当替代模型在非常紧凑的数据范围内进行插值时,这些都是可以实现的。在地球化学(Tan等人,2025)和工业缺陷检测研究(Raveendran & Chandrasekhar,2022)中也观察到了类似的准确性上限。当外推到训练数据范围之外的条件时,准确性可能会下降,用户应该重新评估替代模型的预测能力。图10
替代模型预测的不确定性。我们仅包括真正例和真负例的预测。(a)的液体浓度,(b)液体和流体浓度,(c)液体分类的混淆矩阵,(d)的液体浓度,(e)系统、液体和流体密度,以及(f)流体分类的混淆矩阵。在面板(a)、(b)、(d)和(e)中,圆圈代表算术平均误差,条形表示标准差。在面板(c)和(f)中,TP = 真正例,FP = 假正例,TN = 真负例,FN = 假负例。百分比表示相对于测试数据点总数(约50,000个)的计数。我们在表2中报告了输出参数的MAE和RMSE。系统密度误差的RMSE约为16 kg m?3,与Kerswell等人(2024)报告的误差相比略低,但总体上处于同一范围内。这证实了我们的复杂网络架构,具有分支分类器和回归头,保持了并可能提高了预测的准确性,与现有的替代模型相比。当数据的成分范围和维度增加时,这种设计是适当的,正如网络能够预测液体主要氧化物的浓度时,其不确定性低于1 wt%(见图10a和10d),对于其他氧化物则低于0.5 wt%。此外,替代模型引入的成分不确定性对派生量(如液体粘度)的影响不显著(见图9o)。表2. 替代模型预测的平均绝对误差(MAE)、均方根误差(RMSE)和绝对误差的标准差
输出参数
MAE
RMSE
Liq
0.54
0.79
0.58
Liq
0.23
0.33
0.24
Liq
0.17
0.24
0.17
Liq
0.15
0.23
0.17
Liq
0.11
0.20
0.17
(+)Liq
0.15
0.25
0.21
Liq
0.03
0.05
0.04
Liq
0.19
0.33
0.27
12.30
16.10
10.39
1.80
2.76
2.09
0.06
0.15
0.14
8.66
12.03
8.61
2.95
6.71
6.03
注:仅对分类器预测正确的数据点(即真正例和真负例)计算了这些值。主要氧化物、相分数和密度的单位分别为wt.%,wt.%,和kg m?3。与流体属性相比,液体属性的不确定性通常更大(见图10b和10e)。这很可能反映了(a)液体数据相比流体数据的更大变异性,以及(b)液体分数范围(0–100 wt.%)相比流体分数范围(0–4 wt.%)更广,这在训练过程中导致了不平衡的损失和梯度,即使对于主导量也是如此(W. Chen等人,2024)。在大多数工业应用中,这种不平衡可以通过过度采样来缓解,即重复不平衡类别的数据点,或者通过缩放梯度(W. Chen等人,2024),或者调整损失权重(Kendall等人,2018)。然而,对于像我们的完全合成数据集,可以根据弧状岩浆演化期间预期的成分或液体分数来调整数据范围和大小。使训练数据更紧密地对齐相关参数空间,可以预先减少这种数值不平衡,并可能进一步提高回归准确性,而无需在训练过程中重复数据或修改梯度。
3.7 热力学属性的快速推断
我们进行了一项通用基准测试,以评估替代模型相对于MAGEMin的计算性能。基准测试的详细信息见支持信息S1中的文本S3。使用单个CPU线程对MAGEMin和替代模型进行测试(等资源基准测试),当问题规模超过10,000个数据点时,替代模型的调用速度大约是MAGEMin的22,000倍(图11a)。当两种方法都在64个CPU线程上执行(峰值性能基准测试)时,加速比仍然约为3,400倍(图11c)。这个估计对于MAGEMin将并行运行的应用(如在耦合地球动力学模拟中)更为现实。与之前的研究中提出的类似网络相比,我们的替代模型实现了3-30倍的加速因子(Kerswell等人,2024;Leal等人,2020),突显了其计算效率。图11
在等资源基准测试中,MAGEMin_C.jl的multi_point_minimization()(深蓝色和浅蓝色虚线)和Lux.jl的apply()函数所花费的时间(a),以及分配的内存(b)。面板(c)和(d)显示了在峰值性能基准测试中,MAGEMin(M)和替代模型(Net)的调用都是多线程的,并在Julia会话中的最大可用线程(64)上执行的相同量。带有星号标记的黑线显示了在图形处理单元(GPU)上替代模型调用的时间。使用一个初始猜测(带有标准差)可以将MAGEMin的计算速度加快大约5倍。替代模型的调用是一个向量化操作,与MAGEMin的计算相比快达3,000倍。在CPU上执行MAGEMin和替代模型调用时,随着数据点数量的增加,内存分配也随之增加。而在GPU上执行的替代模型调用,即使数据点数量增加,内存分配也不会显著增加。为了确保公平比较,我们还评估了为MAGEMin提供来自先前解的初始猜测值的效果;这是该软件的一个内置功能。测试组合是根据这个初始猜测值生成的正态分布随机变量,变量变化的程度由标准差控制(见图11)。组合越接近初始猜测值(即在图11a和11c中较小的标准差),收敛速度就越快,执行时间除了通过MAGEMin的多线程并行化外大约减少了2倍(见图11c)。在等资源基准测试中,使用初始猜测值可以将MAGEMin调用的速度提高最多10倍,这突显了这种初始化策略对传统热力学求解器的优势。MAGEMin_C.jl是MAGEMin原始C语言库的Julia包装器。由于输入和输出变量的内存必须从Julia中分配,因此MAGEMin和CPU执行的替代模型的内存占用量很大,并且随着分析的数据点数量的增加而增加(见图11b和11d)。这种增长可能会限制性能(例如,Farhana等人,2019年)。先前的研究报告称,当内存分配最小化时,速度可以提高10-20倍(Bishnu等人,2023年),这表明重新编程推理程序以重用预先分配的内存可以进一步加速MAGEMin_C和替代模型评估。在CPU上的并行化并不能显著提高替代模型调用的速度(比较图11a和11c中的黄色线条), indicating矩阵-向量运算从多线程中获益甚微。与MAGEMin或其他GFEM软件包不同,这些运算可以利用GPU加速。图11c显示,即使在同时评估10,000个数据点时,GPU的执行时间也保持在1毫秒以下。这样的性能完全符合与地球动力学代码耦合的要求(Kerswell等人,2024年)。此外,随着评估的数据点数量的增加,GPU的内存占用量几乎保持不变,这是防止性能下降的一个关键特性(Farhana等人,2019年)。
3.8 将替代模型与地球动力学代码耦合
只有少数研究在地球动力学模拟运行过程中同时解决了GFEM和传输方程(例如,Tirone等人,2009年)。更常见的是,使用热力学软件预先计算相关P–T–X空间中的属性查找表,用于多相反应流的研究(例如,Bessat等人,2022年;Katz,2008年;Rummel,Kaus等人,2020年)。在地球动力学计算过程中,传输算法所需的这些预先计算量会根据局部网格单元条件进行插值。大多数现代地球动力学算法基于仅在特定范围内有效的理论。在低液体分数的情况下,即在多孔流动状态下,通常使用小孔隙度近似(例如,Keller & Katz,2016年;McKenzie,1989年)来模拟地幔尺度的反应流。随着液体分数的增加以及岩浆上升到地壳形成储层,这种近似不再适用,因为不能忽视孔隙液体内部的剪切应力。在高液体分数的情况下,即在悬浮流动状态下,固体仅以单个晶体的形式存在,并根据斯托克斯定律沉降(例如,Dufek & Bachmann,2010年)。最近,Keller和Suckale(2019年)开发了一个适用于不同限制的多相传输统一理论,Wong和Keller(2023年)随后基于这一新理论测试了地球动力学模型。然而,由于这些过程在不同的空间和时间尺度上运行,模型需要不同的数值分辨率。尽管有统一的理论,但如Wong和Keller(2023年)所示,分别在不同的数值模拟中研究不同的反应传输端元仍然更为实际。因此,开发一个能够插值不同端元之间热力学数据的单一通用替代模型是不切实际的。相反,应在系统的基准测试框架中分别为每个端元情况测试地球动力学模型和替代模型之间的耦合,这超出了本研究的范围。因此,这里介绍的替代模型应被视为快速推断热力学属性的概念验证。尽管如此,在开发用于与地球动力学代码耦合的替代模型时,仍有几个需要考虑的因素。训练数据范围:数据集应仔细选择,并限制在特定端元相关的参数范围内。例如,在小孔隙度极限下,不需要高于几个重量百分比的液体分数的数据。这种范围的限制减少了流体和液体量之间的数值差异,可能提高了液体属性的预测精度。输出选择:预测的热力学参数应与反应传输公式的热力学适用性一致。根据underlying geodynamic theory的不同,替代模型可能需要输出与此处呈现不同的量。集成和性能:为了最小化与额外内存分配相关的性能损失,推理程序应直接在地球动力学框架内实现,以实现内存重用。
4 结论
我们评估了基于Holland等人(2018年)和Green等人(2025年)的热力学数据集的MAGEMin重现分数结晶实验的能力。热力学模型预测与实验室数据之间的一致性,包括对关键矿物相的准确再现,证实了这种热力学公式适合模拟弧岩浆的演化。然而,性能取决于起始组成,模拟应限于经过良好基准测试的总体组成。使用这个经过验证的热力学模型,我们生成了一个覆盖从原始玄武岩到流纹岩组成以及与上地壳到下地壳相关的温度-压力条件的合成数据集。这个数据集被用来训练一个神经网络,该网络能够在训练有素的组成和P–T范围内插值热力学属性。由此产生的替代模型正确预测了液体和流体的存在或不存在,准确率为98%,并且对于组成,连续热力学属性的插值平均RMSE低于1重量百分比;对于密度,低于20千克每立方米;对于相位分数,低于3重量百分比。推断单个数据点大约需要0.1毫秒,与直接调用MAGEMin相比,速度提高了约1000倍。这些结果表明,神经网络提供了一种高效且准确的方法,用于将热力学计算与传输或地球动力学模型耦合,大大降低了计算成本,同时保持了对于组成演变的岩浆系统的预测准确性。
致谢
作者衷心感谢Nicolas Riel在MAGEMin软件包方面的富有成果的讨论和持续支持。我们还要感谢Ben J. Thyer和一位匿名审稿人的建设性评论。这项研究由瑞士国家科学基金会(SNSF,授权号212892)资助。ChatGPT5被用来帮助改进手稿第一版的可读性。开放获取出版由苏黎世联邦理工学院通过Wiley - 苏黎世联邦理工学院协议与瑞士学术图书馆联盟合作提供支持。
利益冲突
作者声明与本研究无关的利益冲突。
可用性声明
所有用于(a)运行热力学模型与实验室实验的比较,(b)生成训练和测试数据,(c)在交叉验证框架内进行超参数研究,(d)训练和测试神经网络,以及(e)生成主文章数据图的脚本都可以在L. Candioti(2026年)的GitHub仓库中找到,该仓库存档在Zenodo上(https://doi.org/10.5281/zenodo.18770983)。这个仓库还托管了包含实验室实验汇编的表格。本研究结论所基于的数据也发表在L. G. Candioti(2025年)的文章中,并存档在Zenodo上(https://doi.org/10.5281/zenodo.17369875)。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号