在《自然─物理学》期刊上发表的一篇论文中，Google 旗下 DeepMind 研究人员描述了一种 AI 人工智慧系统，该系统可以预测玻璃分子在液态和固态之间转变时的运动。这些已对外释出可使用之开放原始码的技术和训练模型，可以用来预测玻璃的其他有趣特性。
除了玻璃之外，研究人员还认为这项工作可以对一般物质和生物转变有更深入的洞察与了解，并且可以促进製造和医疗等产业的发展。「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：「我们将透过经玻璃动力学（Glassy Dynamics）建模所验证与发展的一些学习心得和技术应用到科学中的其他核心问题上，目的在揭开我们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
玻璃是透过将高温融化之沙子和矿物的混合物加以冷却製成的。一旦冷却到超过其结晶点（Crystallization Point）时，它就会成为能抵抗拉伸张力的固体。但在微观层面上，这些分子在结构上类似于非晶液体（Amorphous Liquid）。
为了破解玻璃的物理奥秘，西蒙斯基金会（Simons Foundation）举办了年度会议，该基金会去年在纽约接待了来自美国、欧洲、日本、巴西和印度等国共 92 名的研究人员。自成立大会以来的 3 年中，他们已取得了像是过冷液体（Supercooled Liquid）模拟演算法之类的一些突破，但是他们还没有对玻璃转变和玻璃动力学的预测理论做出完整的描述。
那是因为对于玻璃形成过程的性质仍有无数待解的未知数，例如它是否对应于结构性相变（类似于水冻结），以及为什幺冷却过程中的黏度增加了一兆倍。众所周知，玻璃转变建模是一项有投入价值的研究，其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。但是其中涉及的複杂性使其很难解决。
藉由训练图神经网路来预测玻璃动力学
幸运的是，其中存在有助于识别和分类物质相变的结构标记，而且玻璃的模拟以及输入到基于粒子的模型中相对容易。不仅如此，玻璃可以经由短程推斥势（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路（Graph Neural Network，GNN），以便预测玻璃动力学。
该团队经历一连串的模型建立与测试，在将图形网路套应至模拟的 3D 玻璃后，他们发现该系统「远远超过」现有物理学基本水準和最先进的 AI 模型。为了更好地了解这个图形模型，该团队在某个别实验中探究了哪些因素会对该模型的成功成关键作用。他们测量了中心粒子在另一个粒子被修改时的预测灵敏度，进而使他们能够判断该网路用于撷取其预测的面积有多大。这为系统中粒子相互影响的距离提供了估值。
该团队指出，有「令人信服的证据」表明，随着玻璃转变的逼近，空间相关性会随之提升，而且该网路也学会了怎幺撷取它们。「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，」一篇 DeepMind 的部落格文章指出：「相关长度的定义和研究是物理学中相变研究的基石。」
玻璃转变现象可应用至细胞迁移、交通堵塞等预测上
DeepMind 声称，他们所收集到的洞见可能有助于预测玻璃的其他特性。如同前述的，玻璃转变现象不仅体现在窗玻璃（二氧化硅）上。相关的粒状物质阻塞相变（Jamming Transition）可以在冰淇淋（胶体悬浮液）、沙堆（粒状物质）和胚胎发育过程中的细胞迁移，以及社交行为（例如交通堵塞）中找到。
玻璃是这类複杂系统的原型，它们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，更好地理解它们将对许多研究领域产生正面影响。举例而言如，设想一种稳定但可溶解的新型玻璃结构，可用于药物传输和製造可再生聚合物。
「图神经网路不仅可以帮助我们对一系列系统做出更好的预测，」DeepMind 写道：「而且还指出了哪些相关物理对于该系统的建模至关重要，以便机器学习系统最终可以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的理解。」
- DeepMind’s AI models transition of glass from a liquid to a solid
