技术力量|谷歌人工智能分析：玻璃为什么是刚性的？( 二 ) 在分子水平上

文章图片
模型结构。（A)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）。 B)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。