論文の概要: Neutron and X-ray Diffraction Reveal the Limits of Long-Range Machine Learning Potentials for Medium-Range Order in Silica Glass

• arxiv url: http://arxiv.org/abs/2604.21222v1
• Date: Thu, 23 Apr 2026 02:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.256788
• Title: Neutron and X-ray Diffraction Reveal the Limits of Long-Range Machine Learning Potentials for Medium-Range Order in Silica Glass
• Title（参考訳）: 中性子とX線回折によるシリカガラス中距離次数学習能力の限界
• Authors: Sai Harshit Balantrapu, Atul C. Thakur, Chris Benmore, Ganesh Sivaraman,
• Abstract要約: ガラスシリカは光学とエレクトロニクスの基礎となる材料である。 中距離オーダー(MRO)を正確に予測することは、機械学習の原子間ポテンシャルにとって大きな課題である。 ここでは、中性子とX線回折の測定を、2つのMACEモデルで駆動される大規模分子動力学と組み合わせる。
• 参考スコア（独自算出の注目度）: 2.5432391525687748
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Glassy silica is a foundational material in optics and electronics, yet accurately predicting its medium-range order (MRO) remains a major challenge for machine-learning interatomic potentials (MLIPs). While local MLIPs reproduce the short-range SiO4 tetrahedral network well, it remains unclear whether locality alone is sufficient to recover the first sharp diffraction peak (FSDP), the principal experimental signature of MRO. Here, we combine neutron and X-ray diffraction measurements with large-scale molecular dynamics driven by two MACE-based models: a short-range (SR) potential and a long-range (LR) extension incorporating reciprocal-space gated attention. The SR model systematically over-structures the network, producing an overly intense FSDP in both the liquid and glassy states. Incorporating long-range interactions improves agreement with experiment for the liquid structure by reducing this excess ordering, but the LR model still fails to recover the experimental amorphous MRO after quenching. Ring-statistics and bond-angle analyses reveal that SR model exhibits an artificially narrow distribution dominated by six-membered rings, while the LR model produces a broader but still biased ring population. Despite preserving the correct tetrahedral geometry, both models show limited variability in Si-O-Si angles, indicating constrained network flexibility. These structural signatures demonstrate that both models retain excessive memory of the parent liquid network, leading to kinetically trapped and nonphysical medium-range configurations during vitrification. These results show that explicit long-range interactions are necessary but not sufficient for predictive modelling of disordered silica and suggest that accurate MRO further requires training data and sampling strategies that adequately represent the liquid-to-glass transition.
• Abstract（参考訳）: ガラスシリカは光学やエレクトロニクスの基礎材料であるが、その中距離オーダー(MRO)を正確に予測することは、機械学習の原子間ポテンシャル(MLIP)にとって大きな課題である。 局所MLIPは短距離SiO4四面体ネットワークをよく再現するが、局所性だけで第1の鋭い回折ピーク(FSDP)を回復できるかどうかは不明である。 ここでは、中性子とX線回折の測定と、2つのMACEモデルにより駆動される大規模分子動力学(短距離(SR)電位と長距離(LR)拡張)を組み合わせる。 SRモデルはネットワークを体系的に過剰に構造化し、液体とガラス状態の両方で過度に強いFSDPを生成する。 長距離相互作用を組み込むことで、この過剰な秩序を減らし、液体構造の実験との整合性が向上するが、LRモデルはまだ加熱後の実験的な非晶質MROの回復に失敗する。 リング統計学と結合角解析により、SRモデルは6員環が支配する人工的に狭い分布を示し、一方LRモデルはより広いが、まだ偏った環の集団を生成する。 正四面体形状は保存されているが、どちらのモデルもSi-O-Si角度の変動が限られており、制約のあるネットワークの柔軟性を示している。 これらの構造的シグネチャは、両方のモデルが親液ネットワークの過剰な記憶を保ち、振動中に運動的に捕捉され、非物理的中距離配置をもたらすことを示した。 これらの結果から,不規則シリカの予測モデルには明確な長距離相互作用が必要であるが十分ではないことが示唆され,正確なMROには液体-ガラス間の遷移を適切に表現するためのトレーニングデータとサンプリング戦略が必要であることが示唆された。

関連論文リスト

• Manifold-Orthogonal Dual-spectrum Extrapolation for Parameterized Physics-Informed Neural Networks [5.601252185916962]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて顕著な成功を収めた。 物理演算子適応のための軽量マイクロアーキテクチャであるManifold-Orthogonal Dual-spectrum Extrapolation (MODE)を提案する。
  論文  参考訳（メタデータ） (2026-03-14T04:52:50Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Scalable Machine Learning Force Fields for Macromolecular Systems Through Long-Range Aware Message Passing [18.50744268453995]
  機械学習力場(MLFF)は、分子力学的計算の速度で量子力学的精度を提供することによって、分子シミュレーションに革命をもたらした。 しかし、これらのモデルの固定カットアーキテクチャへの根本的な依存は、長距離相互作用が支配的なマクロ分子系への適用性を制限している。 この局所性制約は、強制予測エラーをシステムサイズとモノトニックにスケールさせ、アーキテクチャ上の重要なボトルネックを明らかにする。 長距離アテンションブロックを明示的に統合する同変変換器であるE2Former-LSRを導入する。
  論文  参考訳（メタデータ） (2026-01-07T10:12:34Z)
• Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
  状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。 我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-05-17T23:15:17Z)
• An Explainable AI Model for Binary LJ Fluids [2.4779633742344918]
  本稿では,二成分系LJ流体に対する人工知能(AI)モデルの構築と有用性について報告する。 このモデルは、多くの未知の混合物に対する放射分布関数(RDF)を非常に正確に予測できることが示されている。 我々は、基礎となる物理の異なる新しいレジームに遭遇する際に、AIモデルの忠実度が低い領域を強調します。
  論文  参考訳（メタデータ） (2025-02-24T17:35:01Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。