Erforschung der gläsernen Dynamik mit Markov-Zustandsmodellen aus grafdynamischen neuronalen Netzwerken

Unter Verwendung von Techniken des maschinellen Lernens führen wir ein Markov-Zustandsmodell (MSM) für einen Modellglasbildner ein, das strukturelle Heterogenitäten und deren langsame Dynamik enthüllt, indem es die molekulare Dynamik in einen niedrigdimensionalen Merkmalsraum zusammenfasst. Die Übergangszeit zwischen den Zuständen ist größer als die konventionelle strukturelle Relaxationszeit τ⏐, kann jedoch aus Trajektorien gewonnen werden, die viel kürzer sind als τ⏐. Die gelernte Zuordnung der Zustände, die den Partikeln zugewiesen ist, entspricht dem lokalen Übermaß an Voronoi-Volumen. Diese Ergebnisse stehen im Einklang mit klassischen Freiraumtheorien des Glasübergangs und heben lokale Packungsfluktuationen als eines der dominierenden langsam entspannenden Merkmale hervor.