
-
生物通官微
陪你抓住生命科技
跳动的脉搏
在图神经网络中区分对称性和多体效应,以预测玻璃的塑性响应
《npj Computational Materials》:Disentangling symmetry and many-body effects in graph neural networks for plastic response prediction in glasses
【字体: 大 中 小 】 时间:2026年05月01日 来源:npj Computational Materials 11.9
编辑推荐:
摘要在金属玻璃中确定剪切变形发生的位置和时机是非常困难的,因为金属玻璃缺乏长程有序结构,且局部结构特征差异很大。图神经网络(GNN)能够在原子级别上进行端到端的运算,为研究无序材料中的结构-性质关系提供了强有力的工具。在这项研究中,我们选取了一种典型的Cu-Zr金属玻璃作为模型,
在金属玻璃中确定剪切变形发生的位置和时机是非常困难的,因为金属玻璃缺乏长程有序结构,且局部结构特征差异很大。图神经网络(GNN)能够在原子级别上进行端到端的运算,为研究无序材料中的结构-性质关系提供了强有力的工具。在这项研究中,我们选取了一种典型的Cu-Zr金属玻璃作为模型,系统性地评估了一组最先进的GNN模型,比较了不同的旋转不变性和等变性的GNN架构,并逐步增加了多体相互作用的范围。从两种体(2体)到三种体(3体)的几何信息,模型对原子级非仿射变形的预测能力得到了持续的提升;而引入四种体(4体)的相互作用则几乎没有带来额外的改进。在本预测任务中,3体不变性GNN模型(GemNet-T)表现最佳,尽管各模型之间的性能差距不大。通过对误差分布的分析,我们发现该模型在处理稳定性谱系两端的极端情况时表现更出色——即那些“最脆弱的环节”和“稳定的骨架”。此外,通过将训练好的GNN视为一个可微分的物理探测器,我们构建了一个基于物理原理的可解释性框架。模型预测结果关于原子位置的梯度大小可以用来表征局部的“塑性敏感度”。这一分析揭示了塑性变形的层级结构:其中高度敏感的“触发因素”首先引发塑性变形,随后才是相对不那么敏感的“跟随因素”被激活。这些结果有助于更准确地预测金属玻璃的塑性行为,并对其背后的机制有更深入的理解。