Using machine learning with atomistic surface and local water features to predict heterogeneous ice nucleation
Notice bibliographique
Résumé
Heterogeneous ice nucleation (HIN) has applications in climate science, nanotechnology, and cryopreservation. Ice nucleation on the earth's surface or in the atmosphere usually occurs heterogeneously involving foreign substrates, known as ice nucleating particles (INPs). Experiments identify good INPs but lack sufficient microscopic resolution to answer the basic question: What makes a good INP? We employ molecular dynamics (MD) simulations in combination with machine learning (ML) to address this question. Often, the large amount of computational cost required to cross the nucleation barrier and observe HIN in MD simulations is a practical limitation. We use information obtained from short MD simulations of atomistic surface and water models to predict the likelihood of HIN. We consider 153 atomistic substrates with some surfaces differing in elemental composition and others only in terms of lattice parameters, surface morphology, or surface charges. A range of water features near the surface (local) are extracted from short MD simulations over a time interval (≤300 ns) where ice nucleation has not initiated. Three ML classification models, Random Forest (RF), support vector machine, and Gaussian process classification are considered, and the accuracies achieved by all three approaches lie within their statistical uncertainties. Including local water features is essential for accurate prediction. The accuracy of our best RF classification model obtained including both surface and local water features is 0.89 ± 0.05. A similar accuracy can be achieved including only local water features, suggesting that the important surface properties are largely captured by the local water features. Some important features identified by ML analysis are local icelike structures, water density and polarization profiles perpendicular to the surface, and the two-dimensional lattice match to ice. We expect that this work, with its strong focus on realistic surface models, will serve as a guide to the identification or design of substrates that can promote or discourage ice nucleation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».