轉載從: Tech News 科技新報
在《自然─物理學》期刊發表的論文，Google 旗下 DeepMind 研究人員描述一種 AI 人工智慧系統，可預測玻璃分子在液態和固態間轉變時的運動，已對外釋出可使用的開放原始碼技術和訓練模型，能用來預測玻璃的其他有趣特性。
除了玻璃，研究人員還認為這項工作可對一般物質和生物轉變有更深入的洞察與了解，並促進製造和醫療等產業發展。「機器學習可說是當前研究許多領域基本問題本質的最佳利器，」DeepMind 發言人表示：「我們將透過經玻璃動力學（Glassy Dynamics）建模所驗證與發展的學習心得和技術，應用到科學其他核心問題，目的在揭開周圍世界新事物的神祕面紗。」
玻璃轉變及玻璃動力學成為當前最有價值研究之一
玻璃是透過將高溫融化之沙子和礦物的混合物加以冷卻製成。一旦冷卻到超過結晶點（Crystallization Point）時，就會成為能抵抗拉伸張力的固體。但在微觀層面，這些分子在結構上類似非晶液體（Amorphous Liquid）。
為了破解玻璃的物理奧祕，西蒙斯基金會（Simons Foundation）舉辦年度會議，去年在紐約接待來自美國、歐洲、日本、巴西和印度等國共 92 名研究人員。自成立大會以來 3 年，取得像是過冷液體（Supercooled Liquid）模擬演算法之類的突破，但還沒有對玻璃轉變和玻璃動力學的預測理論有完整描述。
那是因為對玻璃形成過程的性質仍有無數待解的未知數，例如是否對應結構性相變（類似水凍結），以及為什麼冷卻過程的黏度增加 1 兆倍。眾所周知，玻璃轉變建模是有投入價值的研究，背後的物理學理論包括行為建模、藥物傳輸方法、材料科學和食品加工，但涉及的複雜性使其很難解決。
藉由訓練圖神經網路預測玻璃動力學
幸運的是，其中有助於辨識和分類物質相變的結構標記，且玻璃的模擬及輸入基於粒子的模型相對容易。不僅如此，玻璃可經由短程推斥勢（Repulsive Potential）相互作用而模擬成粒子。DeepMind 團隊利用這個特性來訓練圖神經網路（Graph Neural Network，GNN），以便預測玻璃動力學。
團隊經歷一連串模型建立與測試，將圖形網路套應至模擬 3D 玻璃後，發現系統「遠遠超過」現有物理學基本水準和最先進的 AI 模型。為了更了解這個圖形模型，團隊在某個實驗探究了哪些因素會對模型的成功造成關鍵作用。他們測量了中心粒子在另一個粒子修改時的預測靈敏度，進而能判斷網路用於擷取預測的面積有多大。這為系統中粒子相互影響的距離提供估值。
團隊指出，有「令人信服的證據」表明，隨著玻璃轉變逼近，空間相關性會隨之提升，且網路也學會怎麼擷取它們。「這些發現與某個物理圖相吻合，也就是圖中相關長度會隨著玻璃轉變的接近而增加，」DeepMind 的部落格文章指出：「相關長度的定義和研究是物理學相變研究的基石。」
玻璃轉變現象可應用至細胞遷移、交通堵塞等預測
DeepMind 聲稱，收集到的洞見可能有助於預測玻璃的其他特性。如同前述，玻璃轉變現象不僅體現在窗玻璃（二氧化矽），相關粒狀物質阻塞相變（Jamming Transition）可在冰淇淋（膠體懸浮液）、沙堆（粒狀物質）和胚胎發育過程的細胞遷移，以及社交行為（例如交通堵塞）找到。
玻璃是這類複雜系統的原型，在元素位置會抑制其他元素運動的約束狀態下運行。人們相信，更理解玻璃將對許多研究領域產生正面影響。舉例而言，設想一種穩定但可溶解的新型玻璃結構，可用於藥物傳輸和製造可再生聚合物。
「圖神經網路不僅可幫助我們對一系列系統做出更佳預測，」DeepMind 寫道：「而且還指出哪些相關物理對系統的建模至關重要，以便機器學習系統最終幫助研究人員推導基本的物理理論，最終幫助增進而不是替代人類理解。」
（首圖來源：DeepMind）