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一個人工神經網絡已經發現了其分子中的隱藏結構，這可能解釋了為什么玻璃像固體一樣堅硬。

大多數材料的宏觀特性來自于其微觀結構。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的結晶模式，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構，它們的分子會隨機移動。

玻璃玻璃是一種奇怪的物質

但玻璃是一種奇怪的、介于兩者之間的物質，幾十年來一直困惑著物理學家。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，而它們的結構排列卻沒有明顯的相應變化？這種現象被稱為玻璃轉變問題，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，它可能會轉變為有序的水晶。

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生了什么。DeepMind的人工神經網絡能夠預測分子在極長的時間尺度內如何移動。根據DeepMind的科學家維克多·巴普斯特的說法，即使玻璃的微觀結構看起來毫無特征，其結構也許比人們想象的更能預測動態。

悉尼大學研究玻璃轉變問題的彼得·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，分子結構以某種方式為轉變進行排列，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致了玻璃轉變，物理學家需要將兩種數據聯系起來：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。將這些聯系起來是用一個叫做動態傾向的量：一組分子在未來的某個特定時間內，在給定它們當前位置的情況下，可能已經移動了多少。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，然后將結果平均在一起。

通過模擬這些分子動力學，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。法國高等師范學院凝聚態物理學家朱利奧·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的研究人員開始訓練一個人工智能系統，在不實際運行模擬的情況下預測玻璃中的傾向性，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網絡，將由線條連接的節點集合圖作為輸入源，圖中的每個節點都代表了分子在玻璃中的三維位置，節點之間的線條代表了分子之間的距離。由于神經網絡通過改變自己的結構來 “學習”，以反映輸入的結構，圖神經網絡非常適合表示粒子的相互作用。

研究人員創建了一個由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。在訓練神經網絡以準確預測這些傾向性之后，研究人員接下來將400個以前未見過的粒子配置輸入到訓練的網絡中。

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

僅使用這些結構快照，神經網絡就以前所未有的準確度預測了分子在不同溫度下的傾向性，比之前最先進的機器學習預測方法提高463倍的效率。

DeepMind神經網絡僅根據分子當前結構的快照就能預測其未來的運動，這為探索玻璃的動力學提供了一種強大的新方法。

圖神經網絡學會了編碼一種物理學家稱之為相關長度的模式。也就是說，當DeepMind的圖神經網絡重組自身以反映訓練數據時，它就會表現出以下傾向：當在較高溫度下（分子運動看起來更像液體而不是固體）預測傾向時，對于每個節點的預測，神經網絡依賴于來自圖中兩三個連接之外的鄰近節點的信息。但在接近玻璃化轉變的較低溫度下，這個數字，也就是相關長度增加到了五個。

增加相關長度是相變的標志。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，就會發生這種情況。當鐵塊接近這一轉變時，每個原子都會影響鐵塊中越來越遠的原子。

在物理學家看來，神經網絡學習相關長度并將其納入預測的能力表明，在玻璃轉變過程中，玻璃的結構中一定有一些隱藏的秩序在發展。萊斯大學的玻璃專家彼得·沃林斯表示，機器學習到的相關長度提供了材料在成為玻璃化時“接近熱力學相變”的證據。
責任編輯:pj