中國科學院理論物理研究所在機器學習探索復雜非平衡相變研究獲得進展

物質從一種狀態轉變為另一種狀態的過程稱之為相變。簡單而言，相變對應了物質從一種“序”變為另一種“序”的過程。諾貝爾物理學獎獲得者朗道提出的基于序參量為研究變量的朗道理論，已成為研究相變過程普遍采用的統計物理學方法。以水結冰為例：在相變發生之前，水分子是無規分布的；但相變發生之后，水分子按照四面體結構周期性的排列方式而形成冰。因而，水結冰這種相變對應著“晶體序”的產生。

與水結冰完全不同，由過冷液體在臨界溫度以下形成的玻璃態的過程，在相變前后，分子都呈現出無序的排列方式。液體態和玻璃態的明顯區別在于其各自的動力學行為：處于液體態中的分子運動很快，因此液體具有流動性；而玻璃態中的分子則基本不動，因而玻璃宏觀上呈現為沒有流動性的固態。相對于平衡態相變（如水結冰），液體形成玻璃的過程是一個典型的非平衡過程。由于難以定義和測量體系的序參量，對于這類復雜的非平衡態相變，傳統的統計物理方法顯得束手無策，關于玻璃態物理本質的理解是公認的難題，在Science創刊125周年之際被列為125個最具挑戰性的科學問題之一。由于玻璃態物質在材料應用和科學探索方面的重要價值，科學家們構建了物理和數學模型，試圖理解玻璃化轉變的物理本質及其規律。

中國科學院理論物理研究所副研究員金瑜亮、北京航空航天大學化學學院研究員蔣瀅和加拿大滑鐵盧大學教授陳征宇等合作，采用機器學習方法，直接從分子模擬數據出發，研究玻璃模型中的一種特有的復雜非平衡相變——Gardner 相變，即在降溫條件下，玻璃體系呈現出由具有單一cage size 的Glass 相到多級次cage size 的Gardner 相的動力學轉變。基于深度學習算法的特征結構識別功能，通過構造基于分子動力學軌跡的輸入數據、并結合“有限時間-有限尺寸”效應分析，研究發現機器學習算法不但可以識別這種非平衡相變，而且可以體現體系的空間關聯性，從而精確確定該相變對應的臨界指標等物理性質。這也是首次基于分子模擬數據對Gardner 相變臨界指標的數值報道。該研究方法無需對體系事先構建物理模型，而是直接從軌跡數據出發，由機器學習算法自動提取體系的非平衡態物理規律，從而有效避免了因人為理解的偏差而導致物理模型的失真。該研究非平衡態相變的思路和方法有望在自旋玻璃、高分子聚合物、生物細胞等非平衡態體系中得到進一步應用。相關研究成果發表在PNAS 上。博士李華平（北京航空航天大學博士后，現在中國科學院大學溫州研究院工作）和金瑜亮為論文的共同第一作者，金瑜亮和蔣瀅為論文的共同通訊作者。（圖1）

圖1 機器學習探索復雜非平衡相變研究獲進展

研究工作得到國家自然科學基金委員會、中科院、北京航空航天大學拔尖人才等的支持。部分計算在理論物理所和北京航空航天大學先進計算平臺完成。