На молекулярном уровне стекло выглядит как жидкость. Но вот искусственная нейронная сеть засекла в его молекулах скрытую структуру, которая может объяснить, почему стекло твердое.
Свойства большинства материалов объясняются их микроскопической структурой. К примеру, железный прут тверд, потому что его атомы формируют кристаллическую решетку, которая не меняется со временем. Лужа расступается под вашими ногами, потому что у жидкостей нет такой решетки, их молекулы расположены случайным образом.
А есть стекло – странная субстанция, которая находится где-то на стыке между твердым и жидким. Физики уже давно не могут разгадать ее тайну.
Если вы присмотритесь к молекулам в стекле, они будут выглядеть такими же неорганизованными, как молекулы любой жидкости. Но при этом большинство этих молекул почти не движутся, и поэтому стекло ведет себя как твердый материал.
Стекло формируется при охлаждении определенных жидкостей. Молекулы в этих особенных жидкостях очень сильно замедляются (при конкретной температуре), но при этом их положение относительно друг друга не изменяется, никакая структура не формируется. Этот феномен называется стеклованием. Он остается одной из главных загадок науки.
И вот исследователи из DeepMind, компании Google, занимающейся искусственным интеллектом, заставили нейронную сеть изучить, что происходит в молекулах стекла, когда оно затвердевает.
Искусственная нейронная сеть DeepMind сумела предсказать дальнейшее движение молекул, опираясь лишь на «кадр» их физического взаимоположения в конкретный момент.
По словам Виктора Бапста из DeepMind, хотя микроскопическая структура стекла и кажется нам хаотичной, «по этой структуре, вероятно, можно предсказать дальнейшую динамику, причем гораздо точнее, чем мы думали». Натренированная нейронная сеть сумела заглянуть в будущее в 463 раза дальше, чем самые лучшие прошлые модели.
Что же делают физики?
Чтобы понять, как микроскопические изменения влияют на стеклование, физики должны связать два набора данных: положение молекул в стекле и то, как они (медленно) движутся. Для этого можно ввести «вероятность движения» (dynamic propensity): вероятность того, что конкретный набор молекул с данными местоположениями сдвинется к конкретному моменту в будущем. Это значение можно высчитать по траекториям молекул, используя законы Ньютона, задав им множество случайных начальных скоростей и рассчитав среднее.
Вот только на обычных компьютерах удается рассчитать таким методом лишь на триллионные доли секунд в будущее.
Впрочем, даже если мощностей будет достаточно, физики все равно не смогут понять, почему происходит именно так. Не смогут понять, где находятся скрытые структуры.
Исследователи DeepMind не прогоняли никакие симуляции, они просто «скормили» своей нейросети результаты таких моделей, а потом попросили дать предсказания по новым, ранее не виданным системой группам молекул.
Кстати, информацию о молекулах они давали нейросети в виде графов.
Точность предсказаний нейросети поразила ученых. Впервые удалось заглянуть настолько далеко в будущее движения молекул. Способ вполне можно будет применить и для изучения свойств других материалов.
В поиске структуры
Остается вопрос, какую же зависимость заметила нейросеть? Как ей удалось сделать все эти предсказания?
К сожалению, процесс ее обучения нельзя обратить, но все же есть некоторые особенности ее поведения, которые могут послужить подсказками.
При предсказывания поведения стекла при более высокой температуре нейросеть опиралась лишь на данные о двух-трех связях вдаль от молекулы. А вот при низкой температуре, близкой к температуре стеклования, глубина анализа увеличивалась до пяти связей. Это значение называют длиной корреляции, correlation length.
Очевидно, что сеть видит что-то, чего не видим мы. К сожалению, пока что мы не можем объяснить происходящее языком математики и конкретными уравнениями. Но, может, сможем в будущем. Благодаря нейросети, мы теперь знаем, с чего начать поиски.
Источник: Quanta Magazine
