中国科学院理论物理研究所副研究员金瑜亮、北京航空航天大学化学学院研究员蒋滢和加拿大滑铁卢大学教授陈征宇等合作，采用机器学习方法，直接从分子模拟数据出发，研究玻璃模型中的一种特有的复杂非平衡相变——Gardner相变，即在降温条件下，玻璃体系呈现出由具有单一cage size的Glass相到多级次cage size的Gardner相的动力学转变。基于深度学习算法的特征结构识别功能，通过构造基于分子动力学轨迹的输入数据、并结合“有限时间-有限尺寸”效应分析，研究发现机器学习算法不但可以识别这种非平衡相变，而且可以体现体系的空间关联性，从而精确确定该相变对应的临界指标等物理性质（图2）。这也是首次基于分子模拟数据对Gardner相变临界指标的数值报道。该研究方法无需对体系事先构建物理模型，而是直接从轨迹数据出发，由机器学习算法自动提取体系的非平衡态物理规律，从而有效避免了因人为理解的偏差而导致物理模型的失真。该研究非平衡态相变的思路和方法有望在自旋玻璃、高分子聚合物、生物细胞等非平衡态体系中得到进一步应用。相关研究成果发表在上。博士李华平（北航博士后，现在中国科学院大学温州研究院工作）和金瑜亮为论文的共同第一作者，金瑜亮和蒋滢为论文的共同通讯作者。

研究工作得到国家自然科学基金委员会、中科院、北京航空航天大学拔尖人才等的支持。部分计算在理论物理所和北京航空航天大学先进计算平台完成。

机器学习算法识别Gardner相变

机器学习探索复杂非平衡相变研究获进展