当液体以足够快的冷却速率淬火时，它会进入过冷状态，并最终形成玻璃，伴随着动力学减缓、动力学异质性以及松弛动力学的解耦等现象[[1], [2], [3]]。从结构角度深入理解玻璃形成液体的动力学不仅对于揭示玻璃转变的起源至关重要，而且对于开发新的非晶材料也非常重要[4,5]。然而，由于玻璃形成液体的复杂和无序结构，在原子尺度上建立结构与动力学之间的明确关联仍然是一个巨大的挑战。
以往的研究开发了各种结构指标来描述无序结构中短程有序的局部原子结构特征[[6], [7], [8], [9], [10], [11], [12]]。例如，原子Voronoi体积、自由体积和局部堆积能力等结构指标描述了局部原子结构的密集堆积程度[6,7]，而局部构型各向异性和笼状各向异性描述了局部原子结构的各向异性[[8], [9], [10]]。此外，键取向有序性指标描述了局部堆积的对称性[11]，五重局部对称性描述了局部原子结构中的局部几何挫败[12,13]。这些结构指标提供了结构特征的直观描述，但可能不包含超出短程有序的结构信息，即已被证明在结构-动力学关系中起关键作用的中程有序[14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33]]。
为了表征中程结构中的结构-性质关系，还开发了一些结构指标来纳入中程结构信息[[17], [18], [19], [20], [21], [22], [23], [24], [25]]，例如包括两体结构熵和取向熵在内的结构熵，这些熵可以量化短到中程范围内的径向和角向波动，发现它们与准二维胶体堆积中的Debye-Waller因子有很好的相关性[26]。另一方面，空间粗化（CG）是一种有用的策略，它通过迭代过程将不同长度尺度的结构信息整合到一个结构指标中，从而纳入中程结构信息并增强结构-动力学相关性[7]。一些研究还构建了包含短到中程结构特征的高维描述符，以便清晰直观地解释结构特征[27,28]，但从高维特征空间中直接提取有效信息是困难的。
机器学习（ML）为识别和处理高维特征提供了一种有效方法。近年来，各种ML方法，无论是传统的ML还是深度学习，都被用来识别与无序结构中的原子动力学相关的结构特征[25,[27], [28], [29], [30], [31], [32], [33]]。通常，深度学习的预测相当准确，但其设计很少基于物理洞察，导致计算复杂性较高[27]。为了克服这一挑战，一些研究结合了不同的特征工程方法与传统的ML，以实现与深度学习相当甚至更高的预测效率[27,28]。这些方法提供了更高的计算效率和更清晰的物理洞察。对于这些对预测动力学至关重要的高维结构特征，人们已经投入了大量努力来阐明它们的潜在结构本质[[28], [29], [30], [32]]。一些ML研究将高维结构描述符中的关键信息对动力学的影响归因于密度波动、局部构型各向异性[28,32]或液态与玻璃态之间的结构差异[25,31]。然而，一些包含堆积密度或各向异性信息的结构指标与原子动力学的相关性很小[29]。因此，ML模型揭示的原子动力学的结构机制仍然难以捉摸。此外，线性和非线性ML模型在预测原子动力学方面都显示出良好的结果，但这些ML模型在从结构描述符中捕获关键信息方面的差异仍有待澄清。因此，为了更深入地了解原子结构与动力学之间的相关性，进行系统和深入的研究以阐明不同结构描述符之间的关系以及各种ML模型之间的差异也是必要的。
在这项工作中，我们研究了Cu50Zr50过冷液体状态中各种结构指标与原子动力学之间的相关性。结果表明，原子种类、堆积密度和平均堆积能力是与原子动力学相关的关键特征。此外，“类液体”结构并不对应于高温液体的结构。我们比较了使用不同描述符和ML模型的预测准确性以及关键结构尺度，并发现特征之间的热波动和共线性可能会影响预测准确性和ML模型的可解释性。我们的结果为原子级别的结构-动力学相关性提供了全面的见解，并为通过机器学习进行结构-性质研究提供了更深入的理解。
