物理学家|为什么玻璃这么坚硬？原来玻璃中存在一些隐秘结构( 二 )
巴普斯特和他的同事首先使用模拟结果来训练他们的AI系统：他们创建了一个包含4096个分子的虚拟玻璃立方体 ， 基于400个在不同温度下唯一的起始位置模拟了分子的演化 ， 并计算了粒子的惯性 。 在训练了神经网络以准确预测这些倾向后 ， 研究人员接下来 ， 将400个以前看不见的粒子构型（玻璃分子构型的“快照”）送入训练有素的网络 。
仅使用这些结构快照 ， 神经网络就可以以前所未有的精度预测不同温度下分子的特性 ， 与以前的最新机器学习预测方法相比 ， 到未来的预测距离将达到463倍 。
相关线索
根据比罗利的说法 ， DeepMind神经网络仅凭其当前结构的快照就可以预测分子的未来运动 ， 这为探索玻璃以及可能的其他材料的动力学提供了一种强大的新方法 。
但是 ， 网络在这些快照中检测到了哪种模式才能做出预测？该系统无法轻松地进行逆向工程 ， 来确定其在培训期间学到的注意事项——对于试图使用AI进行科学研究的研究人员来说 ， 这是一个常见问题 。 但是在这种情况下 ， 他们找到了一些线索 。
根据该团队成员AgnieszkaGrabska-Barwinska的说法 ， 图神经网络学会了对物理学家称为相关长度模式进行编码 。 也就是说 ， 随着DeepMind的图神经网络进行自我重组以反映训练数据时 ， 它呈现出以下趋势：当在较高温度（分子运动看起来比固体更像液体 ， 而不是固体）上预测倾向时 ， 对于每个节点的预测 ， 网络都依赖于根据来自相邻节点的信息（图中有两个或三个连接） 。 但是在接近玻璃化转变的较低温度下 ， 该数字（相关长度）增加到了5 。
DeepMind团队的物理学家托马斯·凯克（ThomasKeck）说：“随着温度的降低 ， 我们发现网络从越来越大的邻域中提取信息” 。 “在这些不同的温度下 ， 玻璃肉眼看起来完全一样 。 但是随着我们的AI技术的运用 ， 图神经网络看到了一些不同的东西 。 ”
相关长度的增加是相变的标志 ， 其中粒子从无序过渡到有序排列 ， 反之亦然 。 例如 ， 当一块铁中的原子共同排列从而使该块磁化时 ， 就会发生这种情况 。 随着嵌段接近该转变 ， 每个原子影响嵌段中越来越远的原子 。
对于像比罗利这样的物理学家来说 ， 神经网络了解相关长度并将其纳入预测的能力表明 ， 在玻璃转变过程中 ， 玻璃结构中必定会形成一些隐藏的顺序 。 莱斯大学的玻璃专家彼得·沃林斯（PeterWolynes）说 ， 机器了解到的相关长度提供了证据 ， 表明材料在变成玻璃状时会“接近热力学相变” 。
尽管如此 ， 通过神经网络获得的知识仍无法轻松转化为新的方程式 。 DeepMind科学团队负责人普希米·科利（PushmeetKohli）说：“我们不能说 ， ‘哦 ， 实际上我们的网络正在研究这种相关性 ， 我可以为您提供一个公式‘ 。 ”对于某些玻璃物理学家来说 ， 这一告诫限制了图神经网络的实用性 。 “这可以用人类术语解释吗？”沃林斯说 ， “他们没有这样做 。 这并不意味着他们将来无法做到 。 ”
推荐阅读
- 宇航员|为什么中国第一女宇航员刘洋，回地球后不露脸，她怎么了吗？
- 喜刷刷|短视频为什么带货能力这么强？
- 小小笑话中心|“为什么女孩子的肚脐都是一条缝？”哈哈哈哈还好吧
- 施一公|为什么大型猫科动物很多，却少有大型犬科动物？
- |为什么我们察觉不到地球自转？其实生活中有3种现象，都能够体现
- 曲面屏|曲面屏吐槽声那么大，为什么华为Mate40系列要全系都上？
- 文良说|为什么大多数成功的老板都抠？
- 巴拉八啦大财经|怎么能减不下来，这是为什么，胖子的苦恼：喝水长肉
- 胖哥科技圈|为什么感觉打微信语音电话的越来越多了呢？，自从微信APP出来后
- 兔子|为了生存，为什么动物不进化得难吃一点？