高维序参量空间分析的机器学习工作流:分子动力学模拟中聚合物结晶的案例研究

发布时间:2025-07-23 | 来源:Semantic Scholar | 作者:Elyar Tourani; Brian J. Edwards; B. Khomami

目前,聚合物中结晶路径的识别通常基于分子模拟数据,在预设的单一有序参数(OP)截断点上定义成核或结晶区域。除了对截断点的敏感性外,每种有序参数还引入了各自的系统性偏差。本研究提出了一种集成机器学习工作流程,利用原子级分子动力学模拟数据精确量化聚合物体系中的结晶度。每个原子由高维特征向量表示,该向量结合了几何描述符、类热

目前,聚合物中结晶路径的识别通常基于分子模拟数据,在预设的单一有序参数(OP)截断点上定义成核或结晶区域。除了对截断点的敏感性外,每种有序参数还引入了各自的系统性偏差。本研究提出了一种集成机器学习工作流程,利用原子级分子动力学模拟数据精确量化聚合物体系中的结晶度。每个原子由高维特征向量表示,该向量结合了几何描述符、类热力学描述符和基于对称性的描述符。采用低维嵌入来揭示原子环境中的潜在结构指纹。随后,对嵌入进行无监督聚类,以高保真度识别结晶原子和非晶原子。在利用多维数据生成高质量标签后,我们采用监督学习技术识别能够完全捕捉该标签的最小有序参数集。通过多种测试缩减特征集,结果表明仅使用三个有序参数,即q6、S̄i和p2,即可高精度重现结晶标签。基于这些观察到的有序参数,引入结晶度指数(C-index)作为逻辑回归模型的结晶概率。该指标在过程的所有阶段均保持双峰分布,并实现超过98%的分类性能。值得注意的是,基于一个或少数快照训练的模型能够实现结晶度的高效实时计算。最后,我们展示了最优C-index拟合在结晶各阶段的演变过程,支持了熵主导早期成核、而q6在后期阶段更具相关性的假设。该工作流程为有序参数选择提供了数据驱动策略,并为监测大规模聚合物模拟中的结构转变提供了可推广的度量标准。

返回资讯频道