为什么玻璃刚性好？
2020/08/23 10:43:40
大多数材料从其微观结构获得其宏观特性。例如，一根钢棒很坚硬，因为它的原子形成了一个重复的晶体图案，该图案会随着时间的流逝而保持静止。当您将脚浸入湖中时，脚周围会积水，因为液体没有这种结构。它们的分子随机运动。
然后是玻璃，这是一种奇怪的中间物质，数十年来困扰着物理学家。拍摄玻璃中分子的快照，它们看起来就像液体一样无序。但是大多数分子几乎不移动，使材料像固体一样坚硬。
玻璃是通过冷却某些液体而形成的。但是，为什么液体中的分子在一定温度下会急剧下降，而结构排列却没有明显的相应变化（这种现象称为玻璃化转变）却是一个主要的开放性问题。
现在，谷歌拥有的人工智能公司DeepMind的研究人员已经使用AI来研究玻璃中的分子随着硬化而发生的变化。DeepMind的人工神经网络能够在一瞬间仅使用其物理排列的“快照”来预测分子在极长的时间尺度内如何运动。根据DeepMind的Victor Bapst的说法，即使玻璃的微观结构看起来没有任何特征，“这种结构可能比人们想象的更能预测动力学。”
在悉尼大学研究玻璃过渡的彼得·哈罗尔（Peter Harrowell）表示同意。他说，新作品“比玻璃更能说明问题”，“结构以某种方式编码了动力”，因此玻璃毕竟不像液体那么混乱。
预测倾向
要了解哪些微观变化会导致玻璃转变，物理学家需要关联两种数据：玻璃中的分子如何在空间中排列以及它们如何（缓慢地）随时间移动。将它们联系起来的一种方法是使用一个称为动态倾向的量：在给定当前位置的情况下，一组分子在将来的某个特定时间可能移动了多少。这个不断变化的量来自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，计算机可以生成数千个玻璃分子的“倾向图”，但仅在万亿分之一秒的时间尺度上即可。根据定义，玻璃中的分子运动非常缓慢。法国écoleNormaleSupérieure的凝聚态物理学家Giulio Biroli说，将它们的倾向计算到几秒钟甚至更长的时间“对于普通计算机来说是不可能的，因为它花费了太多时间。”
Biroli说，此外，仅仅对这些模拟进行曲调操作并不能为物理学家带来太多的洞察力，以了解哪些结构特征（如果有的话）可能导致玻璃中的分子倾向。
DeepMind的研究人员着手训练一个AI系统，以在不实际运行模拟的情况下预测玻璃的特性，并尝试了解这些特性的来源。他们使用一种特殊的人工神经网络，该网络以图（通过线连接的节点集合）作为输入。图中的每个节点代表一个分子在玻璃中的三维位置。节点之间的线表示分子彼此相距多远。Bapst说，由于神经网络通过改变自己的结构以反映其输入的结构来“学习”，因此“图神经网络非常适合表示粒子的相互作用”。
Bapst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4,096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。每个案例。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”）喂入了训练后的网络。
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。
根据Biroli的说法，DeepMind神经网络仅基于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？该系统不容易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，这是一个普遍的问题。但是在这种情况下，他们找到了一些线索。
根据该团队成员Agnieszka Grabska-Barwinska的说法，图神经网络学会了对物理学家称为相关长度的模式进行编码。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，它表现出以下趋势：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Thomas Keck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。但是随着我们的失败，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，当铁块中的原子共同排列从而使该块磁化时，就会发生这种情况。随着嵌段接近该跃迁，每个原子影响嵌段中越来越远的原子。
对于像Biroli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。赖斯大学（Rice University）的玻璃专家彼得·沃林斯（Peter Wolynes）表示，机器学习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易转化为新的方程式。DeepMind科学团队负责人Pushmeet Kohli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，这一警告限制了图神经网络的实用性。“这可以用人为解释吗？” 沃恩斯说。“他们没有这样做。这并不意味着他们将来无法做到。”
然后是玻璃，这是一种奇怪的中间物质，数十年来困扰着物理学家。拍摄玻璃中分子的快照，它们看起来就像液体一样无序。但是大多数分子几乎不移动，使材料像固体一样坚硬。
玻璃是通过冷却某些液体而形成的。但是，为什么液体中的分子在一定温度下会急剧下降，而结构排列却没有明显的相应变化（这种现象称为玻璃化转变）却是一个主要的开放性问题。
现在，谷歌拥有的人工智能公司DeepMind的研究人员已经使用AI来研究玻璃中的分子随着硬化而发生的变化。DeepMind的人工神经网络能够在一瞬间仅使用其物理排列的“快照”来预测分子在极长的时间尺度内如何运动。根据DeepMind的Victor Bapst的说法，即使玻璃的微观结构看起来没有任何特征，“这种结构可能比人们想象的更能预测动力学。”
在悉尼大学研究玻璃过渡的彼得·哈罗尔（Peter Harrowell）表示同意。他说，新作品“比玻璃更能说明问题”，“结构以某种方式编码了动力”，因此玻璃毕竟不像液体那么混乱。
预测倾向
要了解哪些微观变化会导致玻璃转变，物理学家需要关联两种数据：玻璃中的分子如何在空间中排列以及它们如何（缓慢地）随时间移动。将它们联系起来的一种方法是使用一个称为动态倾向的量：在给定当前位置的情况下，一组分子在将来的某个特定时间可能移动了多少。这个不断变化的量来自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，计算机可以生成数千个玻璃分子的“倾向图”，但仅在万亿分之一秒的时间尺度上即可。根据定义，玻璃中的分子运动非常缓慢。法国écoleNormaleSupérieure的凝聚态物理学家Giulio Biroli说，将它们的倾向计算到几秒钟甚至更长的时间“对于普通计算机来说是不可能的，因为它花费了太多时间。”
Biroli说，此外，仅仅对这些模拟进行曲调操作并不能为物理学家带来太多的洞察力，以了解哪些结构特征（如果有的话）可能导致玻璃中的分子倾向。
DeepMind的研究人员着手训练一个AI系统，以在不实际运行模拟的情况下预测玻璃的特性，并尝试了解这些特性的来源。他们使用一种特殊的人工神经网络，该网络以图（通过线连接的节点集合）作为输入。图中的每个节点代表一个分子在玻璃中的三维位置。节点之间的线表示分子彼此相距多远。Bapst说，由于神经网络通过改变自己的结构以反映其输入的结构来“学习”，因此“图神经网络非常适合表示粒子的相互作用”。
Bapst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4,096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。每个案例。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”）喂入了训练后的网络。
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。
根据Biroli的说法，DeepMind神经网络仅基于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？该系统不容易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，这是一个普遍的问题。但是在这种情况下，他们找到了一些线索。
根据该团队成员Agnieszka Grabska-Barwinska的说法，图神经网络学会了对物理学家称为相关长度的模式进行编码。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，它表现出以下趋势：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Thomas Keck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。但是随着我们的失败，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，当铁块中的原子共同排列从而使该块磁化时，就会发生这种情况。随着嵌段接近该跃迁，每个原子影响嵌段中越来越远的原子。
对于像Biroli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。赖斯大学（Rice University）的玻璃专家彼得·沃林斯（Peter Wolynes）表示，机器学习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易转化为新的方程式。DeepMind科学团队负责人Pushmeet Kohli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，这一警告限制了图神经网络的实用性。“这可以用人为解释吗？” 沃恩斯说。“他们没有这样做。这并不意味着他们将来无法做到。”