ترجمه فارسی مقاله توصیف کننده های مبتنی بر نمودار برای ماده چگالش

چکیده

Computational scientists have long been developing a diverse portfolio of methodologies to characterise condensed matter systems. Most of the descriptors resulting from these efforts are ultimately based on the spatial configurations of particles, atoms, or molecules within these systems. Noteworthy examples include symmetry functions and the smooth overlap of atomic positions (SOAP) descriptors, which have significantly advanced the performance of predictive machine learning models for both condensed matter and small molecules. However, while graph-based descriptors are frequently employed in machine learning models to predict the functional properties of small molecules, their application in the context of condensed matter has been limited. In this paper, we put forward a number of graph-based descriptors (such as node centrality and clustering coefficients) traditionally utilised in network science, as alternative representations for condensed matter systems. We apply this graph-based formalism to investigate the dynamical properties and phase transitions of the prototypical Lennard-Jones system. We find that our graph-based formalism outperforms symmetry function descriptors in predicting the dynamical properties and phase transitions of this system. These results demonstrate the broad applicability of graph-based features in representing condensed matter systems, paving the way for exciting advancements in the field of condensed matter through the integration of network science concepts.

چکیده به فارسی (ترجمه ماشینی)

دانشمندان محاسباتی مدتهاست که برای توصیف سیستم های ماده چگالش ، نمونه کارها متنوعی از روشها را توسعه می دهند.بیشتر توصیف کننده های ناشی از این تلاش ها در نهایت بر اساس تنظیمات مکانی ذرات ، اتم ها یا مولکول ها در این سیستم ها است.مثالهای قابل توجه شامل توابع تقارن و همپوشانی همپوشانی موقعیت های اتمی (SOAP) ، که عملکرد مدل های یادگیری ماشین پیش بینی را برای هر دو ماده متراکم و مولکول های کوچک به طور قابل توجهی پیشرفت کرده اند.با این حال ، در حالی که توصیف کننده های مبتنی بر نمودار غالباً در مدل های یادگیری ماشین برای پیش بینی خصوصیات عملکردی مولکولهای کوچک استفاده می شوند ، کاربرد آنها در زمینه ماده چگالش محدود بوده است.در این مقاله ، ما تعدادی از توصیف کننده های مبتنی بر نمودار (مانند مرکزیت گره و ضرایب خوشه بندی) را که به طور سنتی در علوم شبکه مورد استفاده قرار می گیرند ، به عنوان بازنمایی های جایگزین برای سیستم های متراکم استفاده می کنیم.ما از این فرمالیسم مبتنی بر نمودار برای بررسی خصوصیات دینامیکی و انتقال فاز سیستم نمونه اولیه لنارد-جونز استفاده می کنیم.ما می دانیم که فرمالیسم مبتنی بر نمودار ما از توصیف کننده های عملکرد تقارن در پیش بینی خصوصیات دینامیکی و انتقال فاز این سیستم بهتر است.این نتایج نشان دهنده کاربرد گسترده ای از ویژگی های مبتنی بر نمودار در نشان دادن سیستم های ماده متراکم است و راه را برای پیشرفت های هیجان انگیز در زمینه ماده متراکم از طریق ادغام مفاهیم علوم شبکه فراهم می کند.