学位论文简介

随着图深度学习技术的持续进步，人工智能在科学研究领域的应用（AI for Science，简称AI4S）已日益成为研究前沿。作为一种新兴的科研范式，AI4S已在分子生物学、晶体学等诸多传统科学领域展现出强大的应用潜力。然而，对于非晶物质这一特殊领域，由于其固有的长程无序结构和复杂的动力学特性，基于图深度学习的相关研究方法仍面临诸多挑战。鉴于此，本文致力于针对现有方法的不足之处进行深入研究，提出了以下创新点：

(1) 针对现有模型在短时弛豫动力学预测中的局限性，提出了一种具有动力学约束的几何增强图神经网络模型。该模型充分考虑了非晶形成液体的动力学空间异质性，通过引入基于线图的多体几何表征以及短时动力学约束的图聚合算子，显著提升了模型从初始热噪声结构中预测过冷液体弛豫动力学的能力。此外，该模型的应用进一步验证了非晶形成液体在短时间和长时间弛豫动力学中存在共同的结构起源。

(2) 针对现有模型在表征短时弛豫动力学方向上的不足，本文提出了一种具有等变消息约束的旋转不变消息传递网络模型。该模型充分考虑了过冷液体短时弛豫动力学中的运动受限性，通过引入基于平衡结构的位移参数以及轻量化的等变消息交互机制，在GlassBench 基准数据集中的多个时间尺度上取得了最佳性能，并展现出了卓越的温度迁移能力，进一步阐释了短时弛豫动力学中的受限运动大小和方向的关键性。

(3) 针对现有模型解释性不足的问题，本文提出了一种结构约束的可解性深度学习模型，用于揭示非晶物质无序结构与动力学的相关性。该算法受原型神经网络启发，将非晶动力学的可解释性问题转化为结构基元约束下的对比分类任务。通过融入独特的训练过程和自学习策略，模型可以从预测过程中提取影响非晶β弛豫动力学的关键结构基元，为非晶物质的反向设计提供了新的视角和思路。

主要学术成果

[1] Jiang, Xiao, Zean Tian, Kenli Li. A Graph-based Approach for Missing Sensor Data Imputation. IEEE Sensors Journal, 2021, 21(20): 23133-23144. (SCI 2区，第一作者)

[2] Jiang, Xiao, Zean Tian, Kenli Li,Wangyu Hu. A Geometry-enhanced Graph Neural Network for Learning the Smoothness of Glassy Dynamics from Static Structure. The Journal of Chemical Physics, 2023, 159(14). （SCI 2区，第一作者）

[3] Jiang, Xiao, Zean Tian, Kenli Li, Wangyu Hu. Toward Interpreting the Thermally Activated β Dynamics in Metallic Glass Using the Structural Constraint Neural Network. The Journal of Physical Chemistry Letters, 2024, 15(12): 3238-3248. （SCI 2区，第一作者）

[4] Jiang, Xiao, Zean Tian, Hu, Yikun, Dong, Kejun, Wangyu Hu, Ai, Yongbao. Enhancing Glassy Dynamics Prediction by Incorporating Displacement from Initial to Equilibrium State. The Journal of Physical Chemistry B, 2024. (SCI 2 区，第一作者，大修)