基于图神经网络定义金属玻璃热历史可辨识的最小信息体积尺度

首页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

生物通官微
陪你抓住生命科技
跳动的脉搏

生物通首页 > 今日动态 > 正文

《Digital Discovery》：Quantifying the Structural Memory of Metallic Glasses with Graph Neural NetworksOpen Access

【字体：大中小】 时间：2026年09月21日 来源：Digital Discovery 7.1

编辑推荐：

　　打开图形查看器金属玻璃中热历史的结构编码因缺乏长程周期性而被掩盖。在此，我们通过结合 Cu??Zr??

金属玻璃中热历史的结构编码因缺乏长程周期性而被掩盖。在此，我们通过结合 Cu??Zr?? 的分子动力学与图神经网络，定义了一个“代表信息体积”，即唯一区分玻璃态所需的最小空间尺度。我们发现，淬速状态的可识别性遵循有限尺寸标度行为，随着采样长度从 2.2 纳米增加到 4.4 纳米，分类准确率从 78.7% 提高至 99.8%。复合图测试表明，这一转变主要是由中程统计中有限尺寸波动的抑制驱动的，而非由特定长程结构基序的出现所驱动。这些结果建立了一个用于无序介质中状态身份的严格操作长度尺度，弥合了局部原子描述符与宏观处理历史之间的差距。