مقاله یادگیری ماشینی که به خوبی پیش بینی می کند ممکن است توصیفات فیزیکی صحیح سیستم های شیشه ای را نیاموزد

چکیده

The complexity of glasses makes it challenging to explain their dynamics. Machine Learning (ML) has emerged as a promising pathway for understanding glassy dynamics by linking their structural features to rearrangement dynamics. Support Vector Machine (SVM) was one of the first methods used to detect such correlations. Specifically, a certain output of SVMs trained to predict dynamics from structure, the distance from the separating hyperplane, was interpreted as being linearly related to the activation energy for the rearrangement. By numerical analysis of toy models, we explore under which conditions it is possible to infer the energy barrier to rearrangements from the distance to the separating hyperplane. We observe that such successful inference is possible only under very restricted conditions. Typical tests, such as the apparent Arrhenius dependence of the probability of rearrangement on the inferred energy and the temperature, or high cross-validation accuracy do not guarantee success. We propose practical approaches for measuring the quality of the energy inference and for modifying the inferred model to improve the inference, which should be usable in the context of realistic datasets.

چکیده به فارسی (ترجمه ماشینی)

پیچیدگی عینک توضیح پویایی آنها را به چالش می کشد.یادگیری ماشین (ML) با پیوند دادن ویژگی های ساختاری آنها به دینامیک تنظیم مجدد ، به عنوان یک مسیر امیدوار کننده برای درک پویایی شیشه ای ظاهر شده است.دستگاه بردار پشتیبانی (SVM) یکی از اولین روشهای مورد استفاده برای تشخیص چنین همبستگی ها بود.به طور خاص ، خروجی خاصی از SVM ها که برای پیش بینی پویایی از ساختار ، فاصله از هیپرپلن جداکننده آموزش دیده اند ، به عنوان خطی مربوط به انرژی فعال سازی برای تنظیم مجدد تعبیر می شود.با تجزیه و تحلیل عددی مدل های اسباب بازی ، ما در این شرایط کشف می کنیم که می توان مانع انرژی برای تنظیم مجدد از فاصله تا هیپرپلن جداکننده را استنباط کرد.ما مشاهده می کنیم که چنین استنتاج موفق فقط در شرایط بسیار محدود امکان پذیر است.آزمایشات معمولی ، مانند وابستگی آرنیوس ظاهری از احتمال بازآرایی در انرژی استنباط شده و دما ، یا دقت اعتبارسنجی بالا ، موفقیت را تضمین نمی کند.ما برای اندازه گیری کیفیت استنتاج انرژی و اصلاح مدل استنباط شده برای بهبود استنتاج ، رویکردهای عملی پیشنهاد می کنیم که باید در زمینه مجموعه داده های واقع گرایانه قابل استفاده باشد.