대부분의 재료는 미세한 구조에서 거시적 특성을 도출합니다. 예를 들어, 강철 막대는 힘이 딱딱합니다. 원자는 시간이 지남에 따라 정적으로 유지되는 반복적 인 결정 패턴을 형성하기 때문입니다. 액체에는 그 구조가 없기 때문에 호수에 담그면 발 주위의 물 부품. 그들의 분자는 무작위로 움직입니다.
그런 다음 수십 년 동안 물리학자를 당황한 물질 사이의 이상한 물질 인 유리가 있습니다. 분자의 스냅 샷을 유리로 가져 가면 액체처럼 무질서한 것처럼 보입니다. 그러나 대부분의 분자는 거의 움직이지 않아 재료를 단단하게 만듭니다.
유리는 특정 액체를 냉각시켜 형성됩니다. 그러나 액체의 분자가 왜 특정 온도에서 극적으로 느려지 는가?
이제 Google 소유 인공 지능 회사 인 DeepMind의 연구원들은 AI를 사용하여 유리가 강화 된 분자에 무슨 일이 일어나고 있는지 연구했습니다. DeepMind의 인공 신경망은 한 순간에 물리적 배열의 "스냅 샷"만 사용하여 분자가 매우 긴 타임 스케일을 어떻게 움직이는 지 예측할 수있었습니다. DeepMind의 Victor Bapst에 따르면, 유리의 현미경 구조가 특징이없는 것처럼 보이지만“구조는 사람들이 생각한 것보다 역학을 더 예측할 수 있습니다.”
.시드니 대학교에서 유리 전환을 연구하는 피터 해로웰 (Peter Harrowell)은 동의합니다. 그는 새로운 작품이 유리에서 그 어느 때보 다“더 강력한 사례를 만든다”고 말했다.“구조는 어떻게 든 역학을 인코딩한다”고 말했다.
성향 예측
미세한 변화가 유리 전이의 원인을 이해하려면 물리학 자들은 두 가지 종류의 데이터를 연관시켜야합니다. 유리의 분자가 우주에서 어떻게 배열되는지, 그리고 시간이 지남에 따라 (천천히) 어떻게 움직이는 지. 이를 연결하는 한 가지 방법은 동적 성향이라고하는 수량과 관련이 있습니다. 현재 위치를 고려할 때 미래에 특정 시간에 따라 분자 세트가 얼마나 움직일 수 있는지. 이 진화하는 수량은 뉴턴의 법칙을 사용하여 분자의 궤적을 계산하여 여러 가지 임의의 초기 속도로 시작한 다음 결과를 평균화하는 데 따릅니다.
이러한 분자 역학을 시뮬레이션함으로써 컴퓨터는 수천 개의 유리 분자에 대해 "성향 맵"을 생성 할 수 있지만 1 조의 시간의 시간에만 해당됩니다. 그리고 유리의 분자는 정의상 매우 느리게 움직입니다. 프랑스의 École Normale Supérieure의 응축 물리학자인 Giulio Biroli는“몇 초 이상의 수평선으로의 성향을 계산하는 것은“일반 컴퓨터는 너무 많은 시간이 걸리기 때문에 불가능하다”고 말했다.
또한 Biroli는 이러한 시뮬레이션에서 크랭크를 돌리는 것만으로도 유리의 분자 성향을 유발할 수있는 구조적 특징에 대한 물리학 자에 대한 통찰력을 많이 생성하지는 않는다고 말했다.
DeepMind의 연구원들은 실제로 시뮬레이션을 실행하지 않고 유리의 성향을 예측하기 위해 AI 시스템을 훈련시키고 이러한 성향이 어디에서 왔는지 이해하려고 노력했습니다. 그들은 입력으로 라인으로 연결된 노드 모음을 그래프를 취하는 특별한 종류의 인공 신경망을 사용했습니다. 그래프의 각 노드는 유리에서 분자의 3 차원 위치를 나타냅니다. 노드 사이의 선은 서로의 분자가 얼마나 멀리 떨어져 있는지를 나타냅니다. 신경망은 입력의 구조를 반영하도록 자체 구조를 변경하여“학습”하기 때문에“그래프 신경망은 입자의 상호 작용을 나타내는 데 매우 적합하다”고 Bapst는 말했다.
BAPST와 그의 동료들은 먼저 시뮬레이션 결과를 사용하여 AI 시스템을 훈련 시켰습니다. 그들은 4,096 개의 분자로 구성된 가상 유리 큐브를 만들었고, 다양한 온도에서 400 개의 고유 한 시작 위치를 기반으로 분자의 진화를 시뮬레이션하고 각 경우에 입자의 성향을 계산했습니다. 이러한 성향을 정확하게 예측하도록 신경망을 훈련시킨 후, 연구원들은 400 개의 이전에 보이지 않는 입자 구성 (유리 분자 구성의“스냅 샷”)을 훈련 된 네트워크에 공급했습니다.
.이러한 구조적 스냅 샷 만 사용하여 신경망은 전례없는 정확도로 다른 온도에서 분자의 성향을 예측했으며, 이전 최신 기계 학습 예측 방법보다 미래에 463 배 더 도달했습니다.
.상관 된 단서
Biroli에 따르면, 현재 구조의 단순한 스냅 샷을 기반으로 분자의 미래 움직임을 예측할 수있는 Deepmind Neural Network의 능력은 안경의 역학 및 잠재적으로 다른 재료를 탐색하는 강력한 새로운 방법을 제공합니다.
.그러나 예측을 위해 네트워크가 스냅 샷에서 어떤 패턴을 감지 했습니까? 이 시스템은 훈련 중에주의를 기울이는 법을 결정하기 위해 쉽게 리버스 엔지니어링 할 수 없습니다. 연구자들은 AI를 사용하여 과학을 수행하려는 일반적인 문제입니다. 그러나이 경우 그들은 몇 가지 단서를 발견했습니다.
팀의 일원 인 Agnieszka Grabska-Barwinska에 따르면, 그래프 신경망은 물리학자가 상관 관계 길이라고하는 패턴을 인코딩하는 법을 배웠습니다. 즉, DeepMind의 그래프 신경 네트워크가 훈련 데이터를 반영하도록 자체적으로 재구성되었으므로 다음과 같은 경향을 나타 냈습니다. 각 노드의 예측에 대해 더 높은 온도 (분자 운동이 고체보다 액체처럼 보이는 경우)에서 성향을 예측할 때 네트워크는 이웃 노드의 정보에 의존했습니다. 그러나 유리 전이에 더 가까운 온도에서는 그 수 (상관 길이)가 5로 증가했습니다.
Deepmind 팀의 물리학자인 Thomas Keck은“우리는 온도를 낮추면서 더 큰 이웃의 정보를 낮추면서 네트워크 추출물이 추출된다”고 말했다. “이러한 다른 온도에서 유리는 육안으로 보이며 동일하게 보입니다. 그러나 네트워크는 우리가 내려갈 때 다른 것을 본다.”
증가 된 상관 관계 길이는 위상 전이의 특징으로, 입자는 무질서에서 순서대로 배열로 전환되거나 그 반대도 마찬가지입니다. 예를 들어, 철 블록의 원자가 총체적으로 정렬되어 블록이 자화 될 때 발생합니다. 블록 이이 전이에 접근함에 따라, 각 원자는 원자에 더 멀리 떨어져서 블록에서 더 멀리 영향을 미칩니다.
Biroli와 같은 물리학 자에게는 신경망의 상관 길이에 대해 배우고 예측에 영향을 줄 수있는 능력은 유리 전환 동안 유리 구조에서 숨겨진 순서가 발달해야 함을 시사합니다. Rice University의 유리 전문가 인 Peter Wolynes는 기계가 배운 상관 길이는“유리가 될 때 열역학적 위상 전이에 접근한다”는 증거를 제공한다고 말했다.
그럼에도 불구하고 신경망이 얻은 지식은 새로운 방정식으로 쉽게 해석되지 않습니다. DeepMind의 과학 팀을 이끌고있는 Pushmeet Kohli는“실제로 우리는 우리 네트워크 가이 상관 관계를보고 있습니다. 일부 유리 물리학 자 에게이 경고는 그래프 신경망이 얼마나 유용한 지 제한합니다. "이것은 인간의 용어로 설명 할 수 있습니까?" 울린스가 말했다. “그들은하지 않았다. 그렇다고 미래에 할 수 없다는 의미는 아닙니다.”
