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(gè)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(jiān)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(jiān)硬，是因?yàn)樗脑有纬闪艘环N重復(fù)的結(jié)晶模式，隨著時(shí)間的推移，這種模式保持不變。當(dāng)把水灑入湖中時(shí)，水會(huì)分化，因?yàn)橐后w沒有這種結(jié)構(gòu)，它們的分子會(huì)隨機(jī)移動(dòng)。

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(huì)像液體的分子一樣顯得無序。但大多數(shù)分子幾乎不動(dòng)，使得玻璃材料像固體一樣堅(jiān)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(huì)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(gè)重大的未解問題。

當(dāng)冷卻速度過快超過其結(jié)晶點(diǎn)時(shí)，液體會(huì)變成超冷液體，而在進(jìn)一步冷卻后，會(huì)變成無序的畸形玻璃。如果冷卻速度較慢，它可能會(huì)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(shí)發(fā)生了什么。DeepMind的人工神經(jīng)網(wǎng)絡(luò)能夠預(yù)測(cè)分子在極長的時(shí)間尺度內(nèi)如何移動(dòng)。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(cè)動(dòng)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(diǎn)。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(jìn)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(shí)間的推移緩慢移動(dòng)的。將這些聯(lián)系起來是用一個(gè)叫做動(dòng)態(tài)傾向的量：一組分子在未來的某個(gè)特定時(shí)間內(nèi)，在給定它們當(dāng)前位置的情況下，可能已經(jīng)移動(dòng)了多少。這個(gè)不斷變化的量來自于使用牛頓定律計(jì)算分子的軌跡，從許多不同的隨機(jī)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(dòng)力學(xué)，計(jì)算機(jī)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(shí)間尺度。而玻璃中的分子，移動(dòng)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(duì)于普通計(jì)算機(jī)來說，計(jì)算它們的傾向圖是不可能的，因?yàn)樗枰鄷r(shí)間?！?/p>

DeepMind的研究人員開始訓(xùn)練一個(gè)人工智能系統(tǒng)，在不實(shí)際運(yùn)行模擬的情況下預(yù)測(cè)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(diǎn)集合圖作為輸入源，圖中的每個(gè)節(jié)點(diǎn)都代表了分子在玻璃中的三維位置，節(jié)點(diǎn)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(gè)由4096個(gè)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(gè)獨(dú)特的起始位置的演變，并計(jì)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(zhǔn)確預(yù)測(cè)這些傾向性之后，研究人員接下來將400個(gè)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(diǎn)被連接起來，形成一個(gè)圖形。經(jīng)過處理后，網(wǎng)絡(luò)預(yù)測(cè)出每個(gè)部分的移動(dòng)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(diǎn)的邊緣，然后是基于其先前嵌入的節(jié)點(diǎn)和即將到來的邊緣。C） 圖形網(wǎng)絡(luò)由一個(gè)編碼器、多個(gè)核心應(yīng)用和一個(gè)解碼器組成。核心的每一次應(yīng)用都會(huì)增加貢獻(xiàn)于某一部件預(yù)測(cè)的部件的外殼，這里顯示的是中心部件的顏色（深藍(lán)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(zhǔn)確度預(yù)測(cè)了分子在不同溫度下的傾向性，比之前最先進(jìn)的機(jī)器學(xué)習(xí)預(yù)測(cè)方法提高463倍的效率。

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

圖神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)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(dāng)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(shí)，它就會(huì)表現(xiàn)出以下傾向：當(dāng)在較高溫度下（分子運(yùn)動(dòng)看起來更像液體而不是固體）預(yù)測(cè)傾向時(shí)，對(duì)于每個(gè)節(jié)點(diǎn)的預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)依賴于來自圖中兩三個(gè)連接之外的鄰近節(jié)點(diǎn)的信息。但在接近玻璃化轉(zhuǎn)變的較低溫度下，這個(gè)數(shù)字，也就是相關(guān)長度增加到了五個(gè)。

增加相關(guān)長度是相變的標(biāo)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(dāng)鐵塊中的原子集體排列，使鐵塊變得磁化時(shí)，就會(huì)發(fā)生這種情況。當(dāng)鐵塊接近這一轉(zhuǎn)變時(shí)，每個(gè)原子都會(huì)影響鐵塊中越來越遠(yuǎn)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(cè)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(jī)器學(xué)習(xí)到的相關(guān)長度提供了材料在成為玻璃化時(shí)“接近熱力學(xué)相變”的證據(jù)。
責(zé)任編輯:pj