ほとんどの材料は、微視的な構造から巨視的な特性を引き出します。たとえば、鉄の棒が硬いのは、その原子が繰り返し結晶パターンを形成し、それが時間の経過とともに変化しないためです。液体はそのような構造を持っていないため、足を湖に浸すと足の周りの部分が水になります。それらの分子はランダムに動き回ります。
それから、何十年もの間物理学者を困惑させてきた奇妙な中間物質であるガラスがあります。ガラスの分子のスナップショットを撮ると、液体のように無秩序に見えます。しかし、ほとんどの分子はほとんど動かないため、物質は固体のように固くなります。
ガラスは、特定の液体を冷却することによって形成されます。しかし、液体中の分子が特定の温度でこれほど劇的に減速し、対応する構造配置の明らかな変化 (ガラス転移として知られる現象) がない理由は、大きな未解決の問題です。
現在、Google が所有する人工知能企業である DeepMind の研究者は、AI を使用して、ガラスが硬化するときにガラス内の分子に何が起こっているかを研究しています。 DeepMind の人工ニューラル ネットワークは、ある時点での物理的配置の「スナップショット」のみを使用して、分子が非常に長い時間スケールでどのように移動するかを予測することができました。 DeepMind の Victor Bapst によると、ガラスの微視的構造には特徴がないように見えますが、「その構造は、人々が考えていたよりもダイナミクスを予測している可能性があります。」
シドニー大学でガラス転移を研究している Peter Harrowell も同意見です。彼は、新作はこれまで以上にガラスを「強く主張する」ものであり、「構造はダイナミクスを何らかの形でコード化する」ため、結局、ガラスは液体ほど無秩序ではない.
傾向の予測
どのような微視的な変化がガラス転移を引き起こすかを理解するために、物理学者は 2 種類のデータを関連付ける必要があります:ガラス内の分子が空間でどのように配置されているか、およびそれらが時間とともにどのように (ゆっくりと) 移動するかです。これらを関連付ける 1 つの方法は、動的傾向と呼ばれる量を使用することです。これは、現在の位置に基づいて、一連の分子が将来の特定の時間までにどれだけ移動する可能性が高いかということです。この変化する量は、ニュートンの法則を使用して分子の軌跡を計算することで得られます。これは、さまざまなランダムな初期速度から始めて、結果を平均化することによって得られます。
これらの分子動力学をシミュレートすることにより、コンピューターは何千ものガラス分子の「傾向マップ」を生成できますが、そのタイムスケールは 1 兆分の 1 秒にすぎません。また、ガラス内の分子は、定義上、非常にゆっくりと動きます。フランスの高等師範学校の物性物理学者であるジュリオ・ビローリ氏は、「通常のコンピューターでは時間がかかりすぎるため、その傾向を数秒以上計算することは不可能です」と述べています。
さらに、ビロリ氏によると、これらのシミュレーションのクランクを回すだけでは、ガラスの分子傾向を引き起こしている可能性のある構造上の特徴について、物理学者はあまり洞察を得ることができません.
DeepMind の研究者は、AI システムをトレーニングして、実際にシミュレーションを実行せずにガラスの傾向を予測し、これらの傾向がどこから来るのかを理解しようと試みました。彼らは、グラフ (線で結ばれたノードの集まり) を入力として受け取る特別な種類の人工ニューラル ネットワークを使用しました。グラフの各ノードは、ガラス内の分子の 3 次元位置を表します。ノード間の線は、分子が互いにどれだけ離れているかを表します。ニューラル ネットワークは入力の構造を反映するように自身の構造を変更することで「学習」するため、「グラフ ニューラル ネットワークは粒子の相互作用を表すのに非常に適しています」と Bapst 氏は述べています。
バプストと彼の同僚は、最初にシミュレーションの結果を使用して AI システムをトレーニングしました。彼らは、4,096 個の分子で構成されるガラスの仮想立方体を作成し、さまざまな温度での 400 個の固有の開始位置に基づいて分子の進化をシミュレートし、粒子の傾向を計算しました。各ケース。これらの傾向を正確に予測するためにニューラル ネットワークをトレーニングした後、研究者は次に 400 のこれまでに見られなかった粒子構成 (ガラス分子の構成の「スナップショット」) をトレーニング済みネットワークに入力しました。
これらの構造のスナップショットのみを使用して、ニューラル ネットワークはさまざまな温度での分子の傾向を前例のない精度で予測し、以前の最先端の機械学習予測方法よりも 463 倍先まで到達しました。
関連する手がかり
Biroli によると、現在の構造の単なるスナップショットに基づいて分子の将来の動きを予測する DeepMind ニューラル ネットワークの能力は、ガラスのダイナミクスを探索するための強力な新しい方法を提供し、他の材料も可能性を秘めています。
しかし、ネットワークは予測を行うためにそれらのスナップショットでどのようなパターンを検出したのでしょうか?システムをリバース エンジニアリングして、トレーニング中に何に注意を払うように学習したかを判断することは容易ではありません。これは、AI を使用して科学を行おうとする研究者にとって一般的な問題です。しかし、この場合、彼らはいくつかの手がかりを見つけました.
チームのメンバーである Agnieszka Grabska-Barwinska によると、グラフ ニューラル ネットワークは、物理学者が相関長と呼ぶパターンをエンコードすることを学習しました。つまり、DeepMind のグラフ ニューラル ネットワークは、トレーニング データを反映するように自身を再構築したため、次の傾向を示すようになりました。グラフ内で 2 つまたは 3 つの接続先にある隣接ノードからの情報。しかし、ガラス転移に近い低温では、その数 (相関長) は 5 に増加しました。
DeepMindチームの物理学者であるThomas Keck氏は、「ネットワークは、温度を下げるにつれて、ますます大きな近傍から情報を抽出することがわかります」と述べています。 「これらの異なる温度では、ガラスは肉眼ではまったく同じに見えます。しかし、私たちが下に行くにつれて、ネットワークは何か違うものを見ます。」
相関長の増加は相転移の顕著な特徴であり、粒子が無秩序から規則正しい配置に、またはその逆に遷移します。たとえば、鉄のブロック内の原子が集合的に整列し、ブロックが磁化されると発生します。ブロックがこの遷移に近づくにつれて、各原子はブロック内の遠く離れた原子に影響を与えます。
Biroli のような物理学者は、ニューラル ネットワークが相関長について学習し、それを予測に組み込む能力があることから、ガラス転移中にガラスの構造に隠れた秩序が発生しているに違いないことを示唆しています。ライス大学のガラス専門家である Peter Wolynes は、機械が学習した相関長は、材料がガラス状になるにつれて「熱力学的相転移に近づく」という証拠を提供すると述べています。
それでも、ニューラル ネットワークによって得られた知識を新しい方程式に変換するのは簡単ではありません。 DeepMind の科学チームを率いる Pushmeet Kohli 氏は、次のように述べています。一部のガラス物理学者にとって、この警告はグラフ ニューラル ネットワークの有用性を制限します。 「これは人間の言葉で説明できますか？」ウォリーンズは言った。 「彼らがしなかったこと。だからといって、彼らが将来できないというわけではありません。」
