作者:鲍勃·伊尔卡，物理
（同organic）有机 GNN预测的移动性(颜色从蓝色的最不移动到红色的最移动),与我们的三维盒子切片中模拟的最移动粒子(点)的位置进行比较
更好的性能对应于红色区域和圆点更好的对齐
左图对应的是短时间尺度上的预测:在这种制度下，我们的网络获得了非常强劲的表现
在右侧面板中，对应于比左侧面板长28，000倍的时间刻度，玻璃中的粒子已经开始扩散
动力学是不均匀的——粒子移动性是局部相关的，但在宏观尺度上是不均匀的——然而我们的网络仍然做出与地面真实模拟一致的预测
信用:深度思维 谷歌深度思维(DeepMind)的一组研究人员开发了一个人工智能系统，能够预测材料在液态和固态之间转换时玻璃分子的运动。
他们在深度思维网站上发表了一篇概述他们工作的论文
人类制造玻璃已经有大约4000年了
多年来，工艺的改进导致了许多类型玻璃的发展——但基本工艺保持不变
沙子和其他二氧化硅成分被加热到非常高的温度，在此温度下它们熔化，然后产生的材料被快速冷却超过其结晶点
这一过程的最终结果是形成一种坚硬易碎的材料，让光线很容易通过
值得注意的是，玻璃的分子结构根本没有结构——在显微镜下，分子似乎是随机组装的
此外，当玻璃被制造出来时，科学家们非常感兴趣的其他事情发生了——当它冷却成固体时，它的粘度增加了一万亿倍
有趣的是，尽管进行了多年的研究，科学家们并没有真正理解玻璃的性质或其转变过程
了解这一过程不仅会对玻璃行业产生影响；这也可以解释其他类似的转变过程，例如胶体悬浮液、颗粒物质甚至细胞迁移
为了对玻璃化转变过程有所了解，研究人员使用了图形神经网络，其中人工智能被用来开发可以与图形(节点和边缘)一起工作的系统，以预测动态系统。
为了在玻璃上使用这样的系统，研究小组必须将粒子和它们之间的相互作用转换成节点和边缘
在这样的系统中，粒子被表示为连接到附近的粒子
该团队还必须使用编码器将粒子和相互作用转化为人工智能系统可以识别的数学对象
一旦人工智能系统接收到数据，它就以一种产生粒子运动预测的方式进行处理
一种液体，当冷却过快超过其结晶点时，会变成过冷液体，进一步冷却后，会变成无序的无定形玻璃
如果冷却得足够慢，它可能会转变成有序的晶体
信用:深度思维 研究人员使用多个数据集测试了他们的系统，发现它优于其他试图做同样事情的人工智能系统——它在短时间跨度内实现了96%的相关性，在放松演示中实现了64%的相关性(实际上是几千年)
深度思维，标题:模型架构
a)根据三维输入，距离小于2的节点被连接以形成图形
处理后，网络为每个粒子预测移动点(用不同的颜色表示)
b)图形网络的核心首先基于它们先前的嵌入和它们相邻节点的嵌入来更新边，然后基于它们先前的嵌入和引入边的嵌入来更新节点
c)图形网络由一个编码器、几个核心应用组成，后面是一个解码器
核心的每一次应用都增加了粒子的壳层，有助于给定粒子的预测，这里显示的是中心粒子的颜色(深蓝色)
信用:深度思维 烧蚀实验
在左边的实验中，一个中心粒子周围第一层以外的所有粒子都被移除
在右边的实验中，通过增加粒子的第一壳和第二壳之间的距离来扰动输入
信用:深度思维
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
