为什么玻璃是僵硬的？其秘密结构的迹象浮出水面

大多数材料的宏观性质来自其微观结构。例如，钢棒是坚硬的，因为它的原子形成了重复的结晶图案，随着时间的推移保持静止。当你把脚浸入湖中时，水会在你的脚周围分开，因为液体没有这种结构；它们的分子是随机移动的。

然后是玻璃，一种奇怪的中间物质，几十年来一直困扰着物理学家。给玻璃中的分子拍一张快照，它们看起来会像液体一样无序，但大多数分子几乎不会移动，使材料变得像固体一样坚硬。

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的温度下会如此显著地减速，而它们的结构排列没有明显的相应变化-这一现象被称为玻璃化转变-是一个主要的悬而未决的问题。

现在，谷歌旗下的人工智能公司DeepMind的研究人员利用人工智能来研究玻璃中的分子在变硬时会发生什么。DeepMind的人工神经网络能够预测分子如何在极长的时间尺度上移动，只使用它们在某个时刻的物理排列的“快照”。根据DeepMind的维克多·巴普斯特的说法，尽管玻璃的微观结构看起来没有什么特点，“但这个结构可能比人们想象的更能预测动态。”

在悉尼大学研究玻璃转变的彼得·哈罗韦尔(Peter Harrowell)对此表示赞同。他说，这项新研究比以往在玻璃中的研究“提供了一个更有力的理由”，“结构以某种方式对动态进行了编码”，因此玻璃毕竟不像液体那样无序。

为了理解是什么微观变化导致了玻璃转变，物理学家需要将两种数据联系起来：玻璃中的分子是如何在空间中排列的，以及它们是如何(缓慢)随着时间移动的。将这些联系起来的一种方式是与一个被称为动态倾向性的量联系起来：一组分子在未来的某个特定时间可能已经移动了多少，考虑到它们目前的位置。这个进化量来自于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”--但仅限于万亿分之一秒的时间尺度。根据定义，玻璃中的分子运动极其缓慢。法国巴黎高等研究院的凝聚态物理学家朱利奥·比罗里(Giulio Biroli)说，计算它们在几秒或更长时间内的倾向性“对于普通计算机来说是不可能的，因为这需要太多的时间”。

比罗里说，更重要的是，仅仅在这些模拟上转动曲柄并不能让物理学家有太多的洞察力，了解什么结构特征(如果有的话)可能导致玻璃中的分子倾向。

DeepMind的研究人员开始训练人工智能系统，在没有实际运行模拟的情况下预测玻璃中的倾向性，并试图理解这些倾向性是从哪里来的。他们使用了一种特殊的人工神经网络，这种网络以图形-由线连接的节点集合-作为输入。图中的每个节点表示分子在玻璃中的三维位置；节点之间的线条表示分子之间的距离。Bapst说，由于神经网络通过改变自己的结构来“学习”以反映其输入的结构，“图形神经网络非常适合表示粒子之间的相互作用。”

Bapst和他的同事们首先使用模拟的结果来训练他们的人工智能系统：他们创建了一个由4096个分子组成的虚拟玻璃立方体，基于400个独特的起始位置模拟了分子在不同温度下的演化，并计算了每种情况下粒子的倾向性。在训练神经网络以准确预测这些倾向之后，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”-输入到训练过的网络中。

仅使用这些结构快照，神经网络就以前所未有的精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更远地预测了未来463倍。

根据Biroli的说法，DeepMind神经网络仅仅基于分子当前结构的快照来预测分子未来的运动的能力，为探索眼镜的动力学提供了一种强大的新方法，潜在的其他材料也是如此。

但是，为了做出预测，网络在这些快照中检测到了什么模式呢？该系统不能轻易地进行反向工程，以确定它在训练期间学到了什么-这是试图使用人工智能进行科学研究的一个常见问题。但在这起案件中，他们发现了一些线索。

根据团队成员Agnieszka Grabska-Barwinska的说法，图形神经网络学会了编码一种物理学家称之为关联长度的模式。也就是说，随着DeepMind的图形神经网络自我重组以反映训练数据，它开始呈现以下趋势：当预测较高温度下的倾向时(分子运动看起来更像液体而不是固体)，对于每个节点的预测，网络依赖于来自图形中两三个连接之外的相邻节点的信息。但在接近玻璃化转变的较低温度下，这个数字-关联长度-增加到5。

DeepMind团队的物理学家托马斯·凯克(Thomas Keck)说，“我们看到，随着我们降低温度，网络从越来越大的粒子邻域中提取信息。”“在这些不同的温度下，玻璃在肉眼看来是完全相同的。但随着我们的走下坡路，电视网看到了一些不同的东西。“。

增加的关联长度是相变的标志，在相变中，粒子从无序排列到有序排列或从有序排列到无序排列。例如，当一块铁中的原子集体排列，从而使铁块磁化时，就会发生这种情况。当块体接近这一转变时，每个原子对块体中的原子的影响越来越大。

对于比罗里这样的物理学家来说，神经网络学习关联长度并将其纳入预测的能力表明，在玻璃转变期间，玻璃结构中一定有一些隐藏的秩序正在发展。莱斯大学的玻璃专家彼得·沃林斯(Peter Wolynes)说，机器学习到的关联长度提供了证据，表明材料变得玻璃化时“接近热力学相变”。

尽管如此，通过神经网络获得的知识并不容易转化为新的方程。“我们不能说，‘哦，实际上我们的网络正在研究这种相关性，我可以给你一个公式，’”DeepMind科学团队负责人普什米特·科利(Pushmet Kohli)说。对于一些玻璃物理学家来说，这个警告限制了图形神经网络的用处。“这能用人类的话来解释吗？”沃林斯说。“这是他们没有做的。这并不意味着他们将来不能这么做。“