本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2025-03-05
摘要
在研究玻璃化轉變時，長期以來，闡明微觀結構、新興物理性質和慢動力學之間的關聯一直是一項挑戰。無定形構型中缺乏清晰可見的結構順序，使得辨識支撐慢動力學的關鍵物理機制變得複雜。在低溫下對平衡構型進行採樣的困難阻礙了徹底的數值和理論研究。我們以徹底改變電腦視覺和影像辨識的演算法為基礎，探索機器學習 (ML) 技術應對這些挑戰的潛力。我們展示了成功的 ML 應用程式和未來的開放式問題，例如 ML 方法的可轉移性和可解釋性。為了促進社區協作，我們還重點介紹了「GlassBench」數據集，該數據集為 2D 和 3D 玻璃成型機提供模擬數據和基準。我們根據圖像和文字辨識的基準測試實踐來比較新興機器學習方法的表現。我們的目標是為顯示慢動力學的系統中的機器學習技術的開發提供指導，並激發新的方向以提高我們對玻璃狀液體的理論理解。