智东西（公众号：zhidxcom）
编 | 董温淑
智东西1月18日消息，谷歌母公司Alphabet旗下DeepMind研究出一种机器学习模型，成功模拟了玻璃在液态与固态间转换时的粒子运动。
人类制造玻璃的历史已有4000多年了，但玻璃的物理特性至今是个谜。
一般液体变固体，微观粒子会以高度规则的方式固定排列，但玻璃从炽热的液体变为固体时，玻璃粒子类似液体的无规则排列方式被神奇的固定下来。
这种高分子从固体变成“半液体半固体”的过程，被称为玻璃化转变。
“在固态理论未解决的问题中，最深刻、最有趣的问题可能就是玻璃的本质和玻璃化转变的问题。”诺贝尔奖得主、凝聚态物理奠基人菲利普·安德森曾这样评价。
就是这样一个“有趣”的问题，令无数物理学家长期头疼。而如果能破解这个问题，那将给细胞迁移、药物输送、交通堵塞、食品研究等多种领域的研究带来新的启发。
DeepMind研究发现，要发现玻璃粒子运动的奥秘，人工智能（AI）或许是个不错的工具。同时玻璃也是将AI应用于物理问题的绝佳“练兵场”。
为方便其他研究人员进行深入探索，DeepMind团队已将该模型开源。
这项研究发表在《自然-物理学（Nature Physics）》期刊上，论文名称为：《揭示静态结构在玻璃系统中的预测能力（Unveiling the predictive power of static structure in glassy systems）》。
论文链接：https://www.nature.com/articles/s41567-020-0842-8.epdf?author_access_token=csHFz3bc7VzD76BxLYhV9tRgN0jAjWel9jnR3ZoTv0N7aduB0-Rf9RaAqJq5nA1EU-4EpkAXEIwh9nK8njppJK3FRO1pZ7BSg3Bf9yhM6iKhmwe2x7RRb5KoM_C5Zr9EgoPT0cY49sWrwr7Xu_NOZA==
一、固态还是液态？神奇的玻璃化转变过程
玻璃是固体还是液体？这个问题可不好回答。
乍一看，玻璃形状固定且坚硬，是固体的特征，但从微观层面来看，玻璃粒子的排列方式却如液体般无序。
微观粒子主要有三种排列方式：晶体中，粒子呈现高度规则、刚性有序的固定排列；流体中，粒子完全无序；而玻璃粒子夹在中间，呈现一种相对固定但无序的状态。
玻璃由高温熔化的沙子和矿物的混合物冷却而制成，一冷却，它的粘度会增加1万亿倍，变成不容易发生形变的固态。
尽管表面看起来像固体，但玻璃内部的粒子仍保持着无序的状态，有点像无序的液体微粒突然被冻住。
冷却速度会影响材料的状态。当液体冷却过快超过凝固点，会形成过冷液体，即介于液体和玻璃态之间的中间态；再冷却时，会形成固定但无序的玻璃态；如果冷却得足够慢，它就会转变成接近固态的有序晶体。
固态与玻璃态之间的转变被称为玻璃化转变，这是高分子材料中普遍存在的现象。在聚合物织物、胶体悬浮物（如冰激凌）、颗粒状物质（如静止的沙堆）、生物系统（如模拟胚胎发育过程中的细胞迁移建模）及社会行为（如交通堵塞）中，我们也可以发现类似的转变过程。
关于玻璃，迄今仍有相当多的谜团摆在科学家面前：比如，为什么冷却过程中粘度能增加1万亿倍？
目前，对玻璃的研究已经解答了一些领域的问题，比如计算机科学领域的约束满足问题、低参数神经网络的训练动力学问题等。
DeepMind的研究人员们希望通过研究基于玻璃粒子的AI模型，能对玻璃的本质和玻璃化转变过程中的结构变化有更深入的定性认识，并对许多相关研究领域产生积极影响。
例如，创造出更稳定的玻璃结构非晶态材料，将其用于药物传输、制造可再生聚合物、食品加工等多种领域。
二、用图神经网络预测粒子的迁移率
训练机器学习模型需要大量的标记数据。幸运的是，玻璃粒子中有帮助识别和分类物质变化情况的结构标记。
玻璃可以被模拟成粒子通过短程斥力相互作用的模型。这种斥力是关系型的（只有成对的粒子相互作用）和局部性（只有附近的粒子相互作用）的，可以防止粒子之间靠得太近。
考虑到这一系统是由一个类似图形的结构支撑的，研究人员决定用图神经网络（GNN，Graph Neural Networks）来建模。
研究人员首先创建了一个三维输入图，其中节点（Node）代表粒子，边（Edge）代表粒子之间的相互作用，并对它们的相对距离进行了标注，将距离小于2的节点连接起来形成图形。
然后，他们训练一个图网络来预测图中每个粒子的迁移率（mobility）。迁移率是衡量一个粒子通常移动的程度，相当于平均初始速度下的平均移动距离，在图中用不同的颜色表示。
本研究搭建了一个典型的图网络结构，由多个神经网络组成，包括一个编码器、几个核心应用和一个解码器。网络参数训练采用随机梯度下降算法。
模型架构
首先用两个编码器网络将节点和边的标注嵌入到高维向量空间中，接着用如上图B所示的两个更新网络对嵌入节点和边的标注进行迭代。
第一步根据之前的嵌入和相邻两个节点的嵌入，对每条边进行更新。在用相同的网络并行更新所有边缘之后，下一步，节点也根据其相邻边嵌入和先前嵌入的总和用第二个网络进行更新。
这个过程通常被重复7次，期间允许局部信息在整个图网络中传播（如上图C所示）。
最后，用解码器网络从对应节点的最终嵌入中，提取每个粒子的迁移率。
训练出的网络具备所有必需的属性：本质上是关系型的、在节点和边的排列下是不变的、以一种本地操作组合的方式更新嵌入。
为了研究玻璃的全动态演化过程，研究人员构建了基于不同时间段和不同温度下的迁移率预测构建了几个数据集。
同时，研究人员注意到，在这些时间范围内，每个粒子会碰撞数千次，因此网络必须找到一种方法来粗略地表示系统的长期动态。
三、预测结果与地面真值相关性高达96%
研究人员发现，图神经网络模拟的三维玻璃性能表现远远好于现有的标准物理基准及更先进的机器学习模型。
将预测的迁移率（上图中的颜色梯度）与地面真实模拟（上图中的圆点）进行比较，可以看到，短时间内一致性非常好，并且与玻璃的弛豫时间也良好匹配。
以玻璃的驰豫时间为时间跨度，就好像在1皮秒（10^-12秒）内观察液体：当粒子发生足够大的碰撞，开始丢失关于其初始位置的信息时，弛豫时间就不严格了。
从数字上看，在很短的时间跨度上，模型预测结果和地面实况模拟之间的相关性是96%，在弛豫时间内则为64%（比以前的技术水平提升了40%）。
短时间尺度下的三维预测图
长时间尺度下的三维预测图
不过研究人员不想只是简单地模仿玻璃粒子运动过程，而是试图去理解它。
因此，他们研究了哪些因素对模型的成功是重要的，以便推断底层系统中哪些属性是重要的。
玻璃动力学中一个悬而未决的核心问题是，粒子作为距离函数如何相互作用，以及这种相互作用如何随时间演变。
研究人员通过设计一个利用图网络特定架构的实验对此进行了研究。
回想一下边和节点更新任意给定粒子的壳的过程：第一层壳包括所有离这个已标注粒子一步之遥的粒子，第二层壳包括所有离第一层外壳仅一步之遥的粒子，以此类推。
当中央粒子第n个壳被修改时，通过测量预测的敏感度，可以估算该网络用多大面积来提取其预测值，这给物理系统间粒子的相互作用提供另一个可估测的距离。
研究人员进行了消融实验，在如上图左的实验中，将中心粒子周围第一层外的所有粒子全部移除，在如上图右的实验中，通过增加第一层和第二层粒子之间的距离来干扰输入。
实验结果显示，当在液相或短时间内进行预测时，改变第三层壳的结构并不会改变网络对标记粒子的预测结果。
而当在低温和长时间条件下进行预测时，当玻璃开始驰豫后，即使是第5层壳的微小扰动也会影响对标记粒子的预测。
这些发现与物理图像是一致的，当接近玻璃化转变时，关联长度（粒子间相互作用的距离）增加。
关联长度的定义和研究是物理学中相变研究的基石，也是玻璃研究领域仍存在的一个争议点。
DeepMind研究人员认为，虽然这种“机器学习”的关联长度不能直接转化为物理上可测量的量，但它提供了令人信服的证据，证明在接近玻璃化转变时，系统中存在着不断增长的空间相关性，而图神经网络已经学会了提取它们。
结语：机器学习可用于定性理解
图神经网络是一种通用工具，它不需要预先了解底层系统的相关物理量，即可解决许多存在多个个体相互作用的问题，如应用于交通、人群模拟、宇宙学等场景。
在本项研究中，图神经网络利用粒子邻近的结构，很好地预测了玻璃态系统长期动态，表明机器学习不仅可以用于进行定量预测，还可用于获得定性理解。
研究人员希望，机器学习系统最终能帮助推导出基本的物理理论，增强人类对玻璃的理解。
文章来源：DeepMind，Nature Physics
