谷歌人工智能公司研究神经网络在极长的时间尺度内如何移动

在分子水平上，玻璃看起来像一种液体。谷歌旗下的人工智能公司DeepMind一个人工神经网络已经发现了其分子中的隐藏结构，这可能解释了为什么玻璃像固体一样坚硬。

大多数材料的宏观特性来自于其微观结构。比如，一根钢棒之所以坚硬，是因为它的原子形成了一种重复的结晶模式，随着时间的推移，这种模式保持不变。当把水洒入湖中时，水会分化，因为液体没有这种结构，它们的分子会随机移动。

玻璃玻璃是一种奇怪的物质

但玻璃是一种奇怪的、介于两者之间的物质，几十年来一直困惑着物理学家。如果给玻璃中的分子拍一张快照，它们会像液体的分子一样显得无序。但大多数分子几乎不动，使得玻璃材料像固体一样坚硬。

玻璃是由某些液体冷却形成的。但为什么液体中的分子在一定温度下会急剧变慢，而它们的结构排列却没有明显的相应变化？这种现象被称为玻璃转变问题，这是一个重大的未解问题。

当冷却速度过快超过其结晶点时，液体会变成超冷液体，而在进一步冷却后，会变成无序的畸形玻璃。如果冷却速度较慢，它可能会转变为有序的水晶。

谷歌DeepMind人工智能公司的研究人员利用人工智能研究了玻璃中的分子在变硬时发生了什么。DeepMind的人工神经网络能够预测分子在极长的时间尺度内如何移动。根据DeepMind的科学家维克多·巴普斯特的说法，即使玻璃的微观结构看起来毫无特征，其结构也许比人们想象的更能预测动态。

悉尼大学研究玻璃转变问题的彼得·哈罗威尔同意这一观点。他说，新这一新研究有力地证明，在玻璃中，分子结构以某种方式为转变进行排列，因此玻璃不像液体那样无序。

为了搞清楚是什么微观变化导致了玻璃转变，物理学家需要将两种数据联系起来：玻璃中的分子在空间中是如何排列的，以及它们是如何随着时间的推移缓慢移动的。将这些联系起来是用一个叫做动态倾向的量：一组分子在未来的某个特定时间内，在给定它们当前位置的情况下，可能已经移动了多少。这个不断变化的量来自于使用牛顿定律计算分子的轨迹，从许多不同的随机初始速度开始，然后将结果平均在一起。

通过模拟这些分子动力学，计算机可以为成千上万的玻璃分子生成“倾向图”，但只能是万亿分之一秒的时间尺度。而玻璃中的分子，移动速度极慢。法国高等师范学院凝聚态物理学家朱利奥·比罗利说：“对于普通计算机来说，计算它们的倾向图是不可能的，因为它需要太多时间。”

DeepMind的研究人员开始训练一个人工智能系统，在不实际运行模拟的情况下预测玻璃中的倾向性，并试图了解这些倾向性的来源。他们使用了一种特殊的人工神经网络，将由线条连接的节点集合图作为输入源，图中的每个节点都代表了分子在玻璃中的三维位置，节点之间的线条代表了分子之间的距离。由于神经网络通过改变自己的结构来 “学习”，以反映输入的结构，图神经网络非常适合表示粒子的相互作用。

研究人员创建了一个由4096个分子组成的虚拟玻璃立方体，模拟了分子在不同温度下400个独特的起始位置的演变，并计算了每种情况下粒子的倾向性。在训练神经网络以准确预测这些倾向性之后，研究人员接下来将400个以前未见过的粒子配置输入到训练的网络中。

模型结构。从三维输入端，距离小于2的节点被连接起来，形成一个图形。经过处理后，网络预测出每个部分的移动体（用不同的颜色表示）。 图形网络的核心首先更新基于其先前嵌入的边缘和其相邻节点的边缘，然后是基于其先前嵌入的节点和即将到来的边缘。C） 图形网络由一个编码器、多个核心应用和一个解码器组成。核心的每一次应用都会增加贡献于某一部件预测的部件的外壳，这里显示的是中心部件的颜色（深蓝色）。

仅使用这些结构快照，神经网络就以前所未有的准确度预测了分子在不同温度下的倾向性，比之前最先进的机器学习预测方法提高463倍的效率。

DeepMind神经网络仅根据分子当前结构的快照就能预测其未来的运动，这为探索玻璃的动力学提供了一种强大的新方法。

图神经网络学会了编码一种物理学家称之为相关长度的模式。也就是说，当DeepMind的图神经网络重组自身以反映训练数据时，它就会表现出以下倾向：当在较高温度下（分子运动看起来更像液体而不是固体）预测倾向时，对于每个节点的预测，神经网络依赖于来自图中两三个连接之外的邻近节点的信息。但在接近玻璃化转变的较低温度下，这个数字，也就是相关长度增加到了五个。

增加相关长度是相变的标志。在相变中，粒子从无序排列过渡到有序排列，或者反之亦然。例如，当铁块中的原子集体排列，使铁块变得磁化时，就会发生这种情况。当铁块接近这一转变时，每个原子都会影响铁块中越来越远的原子。

在物理学家看来，神经网络学习相关长度并将其纳入预测的能力表明，在玻璃转变过程中，玻璃的结构中一定有一些隐藏的秩序在发展。莱斯大学的玻璃专家彼得·沃林斯表示，机器学习到的相关长度提供了材料在成为玻璃化时“接近热力学相变”的证据。
责任编辑:pj