在分子水平上，玻璃看起來像一種液體。谷歌旗下的人工智能公司DeepMind一個人工神經(jīng)網(wǎng)絡(luò)已經(jīng)發(fā)現(xiàn)了其分子中的隱藏結(jié)構(gòu)，這可能解釋了為什么玻璃像固體一樣堅硬。

大多數(shù)材料的宏觀特性來自于其微觀結(jié)構(gòu)。比如，一根鋼棒之所以堅硬，是因為它的原子形成了一種重復(fù)的結(jié)晶模式，隨著時間的推移，這種模式保持不變。當把水灑入湖中時，水會分化，因為液體沒有這種結(jié)構(gòu)，它們的分子會隨機移動。

玻璃玻璃是一種奇怪的物質(zhì)

但玻璃是一種奇怪的、介于兩者之間的物質(zhì)，幾十年來一直困惑著物理學(xué)家。如果給玻璃中的分子拍一張快照，它們會像液體的分子一樣顯得無序。但大多數(shù)分子幾乎不動，使得玻璃材料像固體一樣堅硬。

玻璃是由某些液體冷卻形成的。但為什么液體中的分子在一定溫度下會急劇變慢，而它們的結(jié)構(gòu)排列卻沒有明顯的相應(yīng)變化？這種現(xiàn)象被稱為玻璃轉(zhuǎn)變問題，這是一個重大的未解問題。

當冷卻速度過快超過其結(jié)晶點時，液體會變成超冷液體，而在進一步冷卻后，會變成無序的畸形玻璃。如果冷卻速度較慢，它可能會轉(zhuǎn)變?yōu)橛行虻乃А?/p>

谷歌DeepMind人工智能公司的研究人員利用人工智能研究了玻璃中的分子在變硬時發(fā)生了什么。DeepMind的人工神經(jīng)網(wǎng)絡(luò)能夠預(yù)測分子在極長的時間尺度內(nèi)如何移動。根據(jù)DeepMind的科學(xué)家維克多·巴普斯特的說法，即使玻璃的微觀結(jié)構(gòu)看起來毫無特征，其結(jié)構(gòu)也許比人們想象的更能預(yù)測動態(tài)。

悉尼大學(xué)研究玻璃轉(zhuǎn)變問題的彼得·哈羅威爾同意這一觀點。他說，新這一新研究有力地證明，在玻璃中，分子結(jié)構(gòu)以某種方式為轉(zhuǎn)變進行排列，因此玻璃不像液體那樣無序。

為了搞清楚是什么微觀變化導(dǎo)致了玻璃轉(zhuǎn)變，物理學(xué)家需要將兩種數(shù)據(jù)聯(lián)系起來：玻璃中的分子在空間中是如何排列的，以及它們是如何隨著時間的推移緩慢移動的。將這些聯(lián)系起來是用一個叫做動態(tài)傾向的量：一組分子在未來的某個特定時間內(nèi)，在給定它們當前位置的情況下，可能已經(jīng)移動了多少。這個不斷變化的量來自于使用牛頓定律計算分子的軌跡，從許多不同的隨機初始速度開始，然后將結(jié)果平均在一起。

通過模擬這些分子動力學(xué)，計算機可以為成千上萬的玻璃分子生成“傾向圖”，但只能是萬億分之一秒的時間尺度。而玻璃中的分子，移動速度極慢。法國高等師范學(xué)院凝聚態(tài)物理學(xué)家朱利奧·比羅利說：“對于普通計算機來說，計算它們的傾向圖是不可能的，因為它需要太多時間?！?/p>

DeepMind的研究人員開始訓(xùn)練一個人工智能系統(tǒng)，在不實際運行模擬的情況下預(yù)測玻璃中的傾向性，并試圖了解這些傾向性的來源。他們使用了一種特殊的人工神經(jīng)網(wǎng)絡(luò)，將由線條連接的節(jié)點集合圖作為輸入源，圖中的每個節(jié)點都代表了分子在玻璃中的三維位置，節(jié)點之間的線條代表了分子之間的距離。由于神經(jīng)網(wǎng)絡(luò)通過改變自己的結(jié)構(gòu)來 “學(xué)習(xí)”，以反映輸入的結(jié)構(gòu)，圖神經(jīng)網(wǎng)絡(luò)非常適合表示粒子的相互作用。

研究人員創(chuàng)建了一個由4096個分子組成的虛擬玻璃立方體，模擬了分子在不同溫度下400個獨特的起始位置的演變，并計算了每種情況下粒子的傾向性。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)以準確預(yù)測這些傾向性之后，研究人員接下來將400個以前未見過的粒子配置輸入到訓(xùn)練的網(wǎng)絡(luò)中。

模型結(jié)構(gòu)。從三維輸入端，距離小于2的節(jié)點被連接起來，形成一個圖形。經(jīng)過處理后，網(wǎng)絡(luò)預(yù)測出每個部分的移動體（用不同的顏色表示）。 圖形網(wǎng)絡(luò)的核心首先更新基于其先前嵌入的邊緣和其相鄰節(jié)點的邊緣，然后是基于其先前嵌入的節(jié)點和即將到來的邊緣。C） 圖形網(wǎng)絡(luò)由一個編碼器、多個核心應(yīng)用和一個解碼器組成。核心的每一次應(yīng)用都會增加貢獻于某一部件預(yù)測的部件的外殼，這里顯示的是中心部件的顏色（深藍色）。

僅使用這些結(jié)構(gòu)快照，神經(jīng)網(wǎng)絡(luò)就以前所未有的準確度預(yù)測了分子在不同溫度下的傾向性，比之前最先進的機器學(xué)習(xí)預(yù)測方法提高463倍的效率。

DeepMind神經(jīng)網(wǎng)絡(luò)僅根據(jù)分子當前結(jié)構(gòu)的快照就能預(yù)測其未來的運動，這為探索玻璃的動力學(xué)提供了一種強大的新方法。

圖神經(jīng)網(wǎng)絡(luò)學(xué)會了編碼一種物理學(xué)家稱之為相關(guān)長度的模式。也就是說，當DeepMind的圖神經(jīng)網(wǎng)絡(luò)重組自身以反映訓(xùn)練數(shù)據(jù)時，它就會表現(xiàn)出以下傾向：當在較高溫度下（分子運動看起來更像液體而不是固體）預(yù)測傾向時，對于每個節(jié)點的預(yù)測，神經(jīng)網(wǎng)絡(luò)依賴于來自圖中兩三個連接之外的鄰近節(jié)點的信息。但在接近玻璃化轉(zhuǎn)變的較低溫度下，這個數(shù)字，也就是相關(guān)長度增加到了五個。

增加相關(guān)長度是相變的標志。在相變中，粒子從無序排列過渡到有序排列，或者反之亦然。例如，當鐵塊中的原子集體排列，使鐵塊變得磁化時，就會發(fā)生這種情況。當鐵塊接近這一轉(zhuǎn)變時，每個原子都會影響鐵塊中越來越遠的原子。

在物理學(xué)家看來，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)相關(guān)長度并將其納入預(yù)測的能力表明，在玻璃轉(zhuǎn)變過程中，玻璃的結(jié)構(gòu)中一定有一些隱藏的秩序在發(fā)展。萊斯大學(xué)的玻璃專家彼得·沃林斯表示，機器學(xué)習(xí)到的相關(guān)長度提供了材料在成為玻璃化時“接近熱力學(xué)相變”的證據(jù)。
責任編輯:pj