化学

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。

玻璃是某些液体冷却而形成的。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）？到目前为止，人们一直没有弄清楚是什么导致了玻璃如此坚硬。

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个时刻仅使用其物理结构的“快照”，来预测分子如何在极长的时间尺度内运动。根据DeepMind的维克多·巴普斯特（VictorBapst）的观点，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。”

在悉尼研究玻璃过渡的彼得·哈罗尔（PeterHarrowell）表示同意。他说，这篇论文“比以前有关玻璃硬度论文更能说明问题”，“结构以某种方式为动态编”，因此玻璃毕竟不像液体那样混乱。

预测倾向

为了了解导致玻璃过渡的微观变化，物理学家需要将两种联系起来：玻璃中的分子在太空中是如何排列的，以及它们（缓慢地）如何随时间移动。将这些物质联系起来的一个方法，就是与一种叫做动态倾向的数量有关：鉴于一组分子目前的位置，它们在未来特间可能移动多少分子。这种不断演变的数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，然后一起平均结果。

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"，但只能在万亿分之一秒的时间尺度上。而玻璃中的分子，根据定义，移动非常缓慢。法国巴黎高等师范学校的凝聚态物理学家朱利奥·比罗利（GiulioBiroli）说，计算它们对几秒或更多水平的倾向"对于普通计算机来说是不可能的，因为它需要太多的时间"。

更重要的是，比罗利说，仅仅通过这些模拟来了解什么结构特征（如果有任何）可能导致玻璃中的分子倾向，并不能给物理学家带来多少见解。

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，并试图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。巴普斯特说，由于神经网络通过更改自身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”。

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。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。也就是说，随着DeepMind的图神经网络进行自我重组以反映训练时，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。莱斯的玻璃彼得·沃林斯（PeterWolynes）说，机器了解到的相关长度了，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，我可以为您一个公式‘。”对于某些玻璃物理学家来说，这一告诫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。”

因为玻璃的成分是二氧化硅。跟石头的成分是一样的，所以玻璃会很坚硬。

玻璃主要成分是由硅和二氧化硅，其中还会一些其他的化学物质。由于硅和二氧化硅都是稳定的网状空间结构，共价键紧紧相连，不易断开，非常牢固。

因为玻璃的硬度非常高，玻璃属于由熔融物冷却硬化而得的非晶态固体，我们一般说的是以SiO2为主要成分的硅盐玻璃。分子间的结合力若，但是金属材料原子间是以引力作用的，不容易发生碎裂。