GNN-förutspådda mobiliteter (färgad från minst mobil i blått till mest mobil i rött) jämfört med positionen för de mest rörliga partiklarna i simuleringen (prickar) i en del av vår 3-dimensionella låda. Bättre prestanda motsvarar bättre inriktning av röda områden och prickar. Den vänstra panelen motsvarar en förutsägelse över en kort tidsskala:en regim där vårt nätverk uppnår en mycket stark prestanda. I den högra panelen, motsvarande en tidsskala 28, 000 gånger längre än den vänstra panelen, partiklar i glaset har börjat diffundera. Dynamiken är heterogen – partikelmobiliteter är lokalt korrelerade, men heterogen i makroskopisk skala – ändå gör vårt nätverk fortfarande förutsägelser i överensstämmelse med simuleringen av grundsanningen. Kredit:DeepMind
Ett team av forskare vid Googles DeepMind har utvecklat ett AI-system som kan förutsäga rörelsen av glasmolekyler när materialet övergår mellan flytande och fast tillstånd. De har publicerat en artikel som beskriver deras arbete på DeepMinds webbplats.
Människor har tillverkat glas i cirka 4, 000 år. Under dessa många år, förbättringar av processen har resulterat i utvecklingen av många typer av glas – men grundprocessen förblir densamma. Sand och andra kiseldioxidkomponenter värms upp till en mycket hög temperatur vid vilken de smälter, och det resulterande materialet kyls sedan snabbt förbi dess kristallisationspunkt. Slutresultatet av processen är ett material som är hårt, sprött och låter ljus passera lätt. I synnerhet, glasets molekylära struktur har ingen struktur alls - under ett mikroskop, molekylerna verkar vara sammansatta slumpmässigt. Också, när glas tillverkas, något annat händer som är av stort intresse för forskare - dess viskositet ökar en biljon gånger när den svalnar till ett fast ämne. Spännande nog, trots många års studier, forskare förstår inte riktigt glasets natur eller dess övergångsprocess. Att förstå processen skulle ha en inverkan på mer än bara glasindustrin; det skulle också förklara andra liknande övergångsprocesser, som kolloidala suspensioner, granulära material och till och med cellmigration.
För att få lite insikt i glasövergångsprocessen, forskarna använde grafiska neurala nätverk, där AI används för att utveckla system som kan arbeta med grafer – noder och kanter – för att göra förutsägelser om dynamiska system. För att använda ett sådant system med glas, teamet var tvungen att omvandla partiklar och interaktioner mellan dem till noder och kanter. I ett sådant system, partiklar representerades som anslutning till närliggande partiklar. Teamet var också tvungen att använda en kodare för att översätta partiklarna och interaktionerna till matematiska objekt som kunde kännas igen av AI-systemet. När AI-systemet tog emot data, den bearbetades på ett sätt som gav förutsägelser om partikelrörelser.
Forskarna testade sitt system med hjälp av flera datauppsättningar och fann att det överträffade andra AI-system som hade försökt göra detsamma – det uppnådde en korrelation på 96 procent för korta tidsperioder och 64 procent för avslappningsdemonstrationer (vilket i realtid skulle vara tusentals år).
© 2020 Science X Network
