在《自然─物理学》期刊发布的论文，Google旗下DeepMind研究人员描述一种AI人工智能系统，可预测玻璃分子在液态和固态间转变时的运动，已对外发布可使用的开放源码技术和训练模型，能用来预测玻璃的其他有趣特性。
除了玻璃，研究人员还认为这项工作可对一般物质和生物转变有更深入的洞察与了解，并促进制造和医疗等产业发展。“机器学习可说是当前研究许多领域基本问题本质的最佳利器，”DeepMind发言人表示：“我们将通过经玻璃动力学（Glassy Dynamics）建模所验证与发展的学习心得和技术，应用到科学其他核心问题，目的在揭开周围世界新事物的神秘面纱。”
玻璃转变及玻璃动力学成为当前最有价值研究之一
玻璃是通过将高温融化之沙子和矿物的混合物加以冷却制成。一旦冷却到超过结晶点（Crystallization Point）时，就会成为能抵抗拉伸张力的固体。但在微观层面，这些分子在结构上类似非晶液体（Amorphous Liquid）。
为了破解玻璃的物理奥秘，西蒙斯基金会（Simons Foundation）举办年度会议，去年在纽约接待来自美国、欧洲、日本、巴西和印度等国共92名研究人员。自成立大会以来3年，取得像是过冷液体（Supercooled Liquid）模拟算法之类的突破，但还没有对玻璃转变和玻璃动力学的预测理论有完整描述。
那是因为对玻璃形成过程的性质仍有无数待解的未知数，例如是否对应结构性相变（类似水冻结），以及为什么冷却过程的黏度增加1万亿倍。众所周知，玻璃转变建模是有投入价值的研究，背后的物理学理论包括行为建模、药物传输方法、材料科学和食品加工，但涉及的复杂性使其很难解决。
借由训练图神经网络预测玻璃动力学
幸运的是，其中有助于识别和分类物质相变的结构标记，且玻璃的模拟及输入基于粒子的模型相对容易。不仅如此，玻璃可经由短程推斥势（Repulsive Potential）相互作用而模拟成粒子。DeepMind团队利用这个特性来训练图神经网络（Graph Neural Network，GNN），以便预测玻璃动力学。
团队经历一连串模型创建与测试，将图形网络套应至模拟3D玻璃后，发现系统“远远超过”现有物理学基本水准和最先进的AI模型。为了更了解这个图形模型，团队在某个实验探究了哪些因素会对模型的成功造成关键作用。他们测量了中心粒子在另一个粒子修改时的预测灵敏度，进而能判断网络用于截取预测的面积有多大。这为系统中粒子相互影响的距离提供估值。
团队指出，有“令人信服的证据”表明，随着玻璃转变逼近，空间相关性会随之提升，且网络也学会怎么截取它们。“这些发现与某个物理图相吻合，也就是图中相关长度会随着玻璃转变的接近而增加，”DeepMind的博客文章指出：“相关长度的定义和研究是物理学相变研究的基石。”
玻璃转变现象可应用至细胞迁移、交通堵塞等预测
DeepMind声称，收集到的洞见可能有助于预测玻璃的其他特性。如同前述，玻璃转变现象不仅体现在窗玻璃（二氧化硅），相关粒状物质阻塞相变（Jamming Transition）可在冰淇淋（胶体悬浮液）、沙堆（粒状物质）和胚胎发育过程的细胞迁移，以及社交行为（例如交通堵塞）找到。
玻璃是这类复杂系统的原型，在元素位置会抑制其他元素运动的约束状态下运行。人们相信，更理解玻璃将对许多研究领域产生正面影响。举例而言，设想一种稳定但可溶解的新型玻璃结构，可用于药物传输和制造可再生聚合物。
“图神经网络不仅可帮助我们对一系列系统做出更佳预测，”DeepMind写道：“而且还指出哪些相关物理对系统的建模至关重要，以便机器学习系统最终帮助研究人员推导基本的物理理论，最终帮助增进而不是替代人类理解。”
（首图来源：DeepMind）