Identifying packing features of atoms with distinct dynamic behaviors in metallic glass by machine-learning method

直接从无序体系的结构中预测易于发生重排的原子一直是 一个挑战. 本文以金属玻璃Cu50Zr50为研究对象, 通过机器学习的 方法成功识别出倾向于发生重排的“类液原子”. 另外, 我们还观测 到在第一壳层以内存在一个临界尺度. 在临界尺度以内, “类液原 子”的近邻排列更紧密; 然而超过这个临界尺度, 其近邻排列相对 疏松. 研究表明“类液原子”的各向异性度更大, 这可能是“类液原 子”更容易发生重排的结构起源. 我们的研究表明机器学习能为理 解金属玻璃本征的不均匀性提供一种非传统的方法, 同时揭示了 无序材料中不均匀动力学的结构起源.