Γιατί το γυαλί είναι άκαμπτο; Εμφανίζονται σημάδια της μυστικής του δομής.

Τα περισσότερα υλικά αντλούν τις μακροσκοπικές τους ιδιότητες από τη μικροσκοπική τους δομή. Μια χαλύβδινη ράβδος είναι σκληρή, για παράδειγμα, επειδή τα άτομα της σχηματίζουν ένα επαναλαμβανόμενο κρυσταλλικό σχέδιο που παραμένει στατικό με την πάροδο του χρόνου. Υδάτινα μέρη γύρω από το πόδι σας όταν το βυθίζετε σε μια λίμνη επειδή τα υγρά δεν έχουν αυτή τη δομή. τα μόριά τους κινούνται τυχαία.

Έπειτα, υπάρχει το γυαλί, μια παράξενη ενδιάμεση ουσία που έχει προβληματίσει τους φυσικούς για δεκαετίες. Πάρτε ένα στιγμιότυπο των μορίων στο γυαλί και θα φαίνονται άτακτα όπως του υγρού. Αλλά τα περισσότερα από τα μόρια μόλις κινούνται, καθιστώντας το υλικό άκαμπτο σαν στερεό.

Το γυαλί σχηματίζεται με την ψύξη ορισμένων υγρών. Αλλά γιατί τα μόρια στο υγρό επιβραδύνονται τόσο δραματικά σε μια συγκεκριμένη θερμοκρασία, χωρίς προφανή αντίστοιχη αλλαγή στη δομική τους διάταξη — φαινόμενο γνωστό ως γυάλινη μετάβαση — είναι ένα σημαντικό ανοιχτό ερώτημα.

Τώρα, ερευνητές στο DeepMind, μια εταιρεία τεχνητής νοημοσύνης που ανήκει στην Google, χρησιμοποίησαν AI για να μελετήσουν τι συμβαίνει στα μόρια του γυαλιού καθώς σκληραίνει. Το τεχνητό νευρωνικό δίκτυο του DeepMind ήταν σε θέση να προβλέψει πώς τα μόρια κινούνται σε εξαιρετικά μεγάλα χρονικά διαστήματα, χρησιμοποιώντας μόνο ένα «στιγμιότυπο» της φυσικής τους διάταξης σε μια χρονική στιγμή. Σύμφωνα με τον Victor Bapst του DeepMind, παρόλο που η μικροσκοπική δομή ενός γυαλιού φαίνεται χωρίς χαρακτηριστικά, «η δομή είναι ίσως πιο προγνωστική για τη δυναμική από όσο νόμιζαν οι άνθρωποι».

Ο Peter Harrowell, ο οποίος μελετά τη γυάλινη μετάβαση στο Πανεπιστήμιο του Σίδνεϊ, συμφωνεί. Είπε ότι το νέο έργο «κάνει πιο ισχυρή υπόθεση» από ποτέ ότι στο γυαλί, «η δομή κωδικοποιεί κατά κάποιο τρόπο τη δυναμική» και έτσι το γυαλί δεν είναι τελικά τόσο άτακτο όσο ένα υγρό.

Πρόβλεψη τάσης

Για να καταλάβουν ποιες μικροσκοπικές αλλαγές προκαλούν τη γυάλινη μετάβαση, οι φυσικοί πρέπει να συσχετίσουν δύο είδη δεδομένων:πώς τα μόρια ενός γυαλιού είναι διατεταγμένα στο χώρο και πώς κινούνται (αργά) με την πάροδο του χρόνου. Ένας τρόπος για να τα συνδέσουμε είναι με μια ποσότητα που ονομάζεται δυναμική τάση:πόσο είναι πιθανό να έχει μετακινηθεί ένα σύνολο μορίων σε κάποια συγκεκριμένη χρονική στιγμή στο μέλλον, δεδομένης της τρέχουσας θέσης τους. Αυτή η εξελισσόμενη ποσότητα προέρχεται από τον υπολογισμό των τροχιών των μορίων χρησιμοποιώντας τους νόμους του Νεύτωνα, ξεκινώντας με πολλές διαφορετικές τυχαίες αρχικές ταχύτητες και στη συνέχεια υπολογίζοντας τον μέσο όρο των αποτελεσμάτων μαζί.

Με την προσομοίωση αυτής της μοριακής δυναμικής, οι υπολογιστές μπορούν να δημιουργήσουν «χάρτες τάσης» για χιλιάδες μόρια γυαλιού — αλλά μόνο σε χρονικές κλίμακες τρισεκατομμυρίων του δευτερολέπτου. Και τα μόρια στο γυαλί, εξ ορισμού, κινούνται εξαιρετικά αργά. Ο υπολογισμός της ροπής τους σε έναν ορίζοντα δευτερολέπτων ή περισσότερο είναι «απλά αδύνατο [για] τους κανονικούς υπολογιστές επειδή χρειάζεται πολύς χρόνος», δήλωσε ο Giulio Biroli, ένας φυσικός συμπυκνωμένης ύλης στην École Normale Supérieure στη Γαλλία.

Επιπλέον, είπε ο Biroli, η απλή περιστροφή της μανιβέλας σε αυτές τις προσομοιώσεις δεν παράγει μεγάλη εικόνα για τους φυσικούς σχετικά με το ποια δομικά χαρακτηριστικά, αν υπάρχουν, θα μπορούσαν να προκαλούν τις μοριακές τάσεις στο γυαλί.

Οι ερευνητές του DeepMind ξεκίνησαν να εκπαιδεύσουν ένα σύστημα τεχνητής νοημοσύνης ώστε να προβλέπει τις τάσεις στο γυαλί χωρίς να εκτελούν πραγματικά τις προσομοιώσεις και να προσπαθήσουν να καταλάβουν από πού προέρχονται αυτές οι τάσεις. Χρησιμοποίησαν ένα ειδικό είδος τεχνητού νευρωνικού δικτύου που λαμβάνει γραφήματα - συλλογές κόμβων που συνδέονται με γραμμές - ως είσοδο. Κάθε κόμβος στο γράφημα αντιπροσωπεύει την τρισδιάστατη θέση ενός μορίου στο γυαλί. Οι γραμμές μεταξύ των κόμβων αντιπροσωπεύουν πόσο μακριά είναι τα μόρια μεταξύ τους. Δεδομένου ότι τα νευρωνικά δίκτυα «μαθαίνουν» αλλάζοντας τη δική τους δομή για να αντικατοπτρίζουν τη δομή των εισόδων τους, «το νευρωνικό δίκτυο γραφήματος είναι πολύ κατάλληλο για να αναπαραστήσει την αλληλεπίδραση των σωματιδίων», είπε ο Bapst.

Ο Bapst και οι συνεργάτες του χρησιμοποίησαν για πρώτη φορά τα αποτελέσματα των προσομοιώσεων για να εκπαιδεύσουν το σύστημα τεχνητής νοημοσύνης τους:Δημιούργησαν έναν εικονικό κύβο γυαλιού που αποτελείται από 4.096 μόρια, προσομοίωσαν την εξέλιξη των μορίων με βάση 400 μοναδικές αρχικές θέσεις σε διάφορες θερμοκρασίες και υπολόγισαν τις τάσεις των σωματιδίων σε κάθε περίπτωση. Αφού εκπαίδευσαν το νευρωνικό δίκτυο για να προβλέψει με ακρίβεια αυτές τις τάσεις, οι ερευνητές τροφοδότησαν στη συνέχεια 400 διαμορφώσεις σωματιδίων που δεν είχαν δει προηγουμένως — «στιγμιότυπα» των διαμορφώσεων των μορίων του γυαλιού — στο εκπαιδευμένο δίκτυο.

Χρησιμοποιώντας μόνο αυτά τα δομικά στιγμιότυπα, το νευρωνικό δίκτυο προέβλεψε τις τάσεις των μορίων σε διαφορετικές θερμοκρασίες με πρωτοφανή ακρίβεια, φτάνοντας 463 φορές πιο μακριά στο μέλλον από την προηγούμενη μέθοδο πρόβλεψης μηχανικής μάθησης τελευταίας τεχνολογίας.

Συσχετισμένες ενδείξεις

Σύμφωνα με τον Biroli, η ικανότητα του νευρωνικού δικτύου DeepMind να προβλέπει τις μελλοντικές κινήσεις των μορίων με βάση ένα απλό στιγμιότυπο της τρέχουσας δομής τους παρέχει έναν ισχυρό νέο τρόπο για να εξερευνήσετε τη δυναμική των γυαλιών και ενδεχομένως και άλλων υλικών.

Αλλά ποιο μοτίβο εντόπισε το δίκτυο σε αυτά τα στιγμιότυπα για να κάνει τις προβλέψεις του; Το σύστημα δεν μπορεί εύκολα να αναστραφεί για να προσδιορίσει τι έμαθε να προσέχει κατά τη διάρκεια της εκπαίδευσης - ένα κοινό πρόβλημα για τους ερευνητές που προσπαθούν να χρησιμοποιήσουν την τεχνητή νοημοσύνη για να κάνουν επιστήμη. Αλλά σε αυτή την περίπτωση βρήκαν κάποιες ενδείξεις.

Σύμφωνα με την Agnieszka Grabska-Barwinska, μέλος της ομάδας, το νευρωνικό δίκτυο γραφήματος έμαθε να κωδικοποιεί ένα μοτίβο που οι φυσικοί αποκαλούν μήκος συσχέτισης. Δηλαδή, καθώς το νευρωνικό δίκτυο του γραφήματος του DeepMind αναδιαρθρώθηκε ώστε να αντικατοπτρίζει τα δεδομένα εκπαίδευσης, έδειξε την ακόλουθη τάση:Κατά την πρόβλεψη τάσεων σε υψηλότερες θερμοκρασίες (όπου η μοριακή κίνηση μοιάζει περισσότερο υγρή παρά στερεά), για την πρόβλεψη κάθε κόμβου το δίκτυο εξαρτιόταν σε πληροφορίες από γειτονικούς κόμβους δύο ή τρεις συνδέσεις μακριά στο γράφημα. Αλλά σε χαμηλότερες θερμοκρασίες πιο κοντά στη μετάβαση γυαλιού, αυτός ο αριθμός - το μήκος συσχέτισης - αυξήθηκε σε πέντε.

«Βλέπουμε ότι το δίκτυο εξάγει, καθώς μειώνουμε τη θερμοκρασία, πληροφορίες από όλο και μεγαλύτερες γειτονιές» σωματιδίων, είπε ο Thomas Keck, ένας φυσικός στην ομάδα DeepMind. «Σε αυτές τις διαφορετικές θερμοκρασίες, το γυαλί φαίνεται, με γυμνό μάτι, ακριβώς πανομοιότυπο. Αλλά το δίκτυο βλέπει κάτι διαφορετικό καθώς κατεβαίνουμε.”

Το αυξημένο μήκος συσχέτισης είναι χαρακτηριστικό των μεταπτώσεων φάσης, στις οποίες τα σωματίδια μεταβαίνουν από μια άτακτη σε μια τακτοποιημένη διάταξη ή το αντίστροφο. Συμβαίνει, για παράδειγμα, όταν τα άτομα σε ένα μπλοκ σιδήρου ευθυγραμμίζονται συλλογικά έτσι ώστε το μπλοκ μαγνητίζεται. Καθώς το μπλοκ πλησιάζει αυτή τη μετάβαση, κάθε άτομο επηρεάζει τα άτομα όλο και πιο μακριά στο μπλοκ.

Για φυσικούς όπως ο Biroli, η ικανότητα του νευρωνικού δικτύου να μαθαίνει για το μήκος συσχέτισης και να το συνυπολογίζει στις προβλέψεις του υποδηλώνει ότι κάποια κρυφή τάξη πρέπει να αναπτύσσεται στη δομή του γυαλιού κατά τη διάρκεια της υάλινης μετάβασης. Ο Peter Wolynes, ειδικός σε γυαλί στο Πανεπιστήμιο Rice, είπε ότι το μήκος συσχέτισης που μαθαίνει η μηχανή παρέχει στοιχεία ότι τα υλικά «προσεγγίζουν μια θερμοδυναμική μετάβαση φάσης» καθώς γίνονται υαλώδη.

Ωστόσο, η γνώση που αποκτάται από το νευρωνικό δίκτυο δεν μεταφράζεται εύκολα σε νέες εξισώσεις. «Δεν μπορούμε να πούμε, «Ω, στην πραγματικότητα το δίκτυό μας εξετάζει αυτόν τον συσχετισμό για τον οποίο μπορώ να σας δώσω μια φόρμουλα», είπε ο Pushmeet Kohli, επικεφαλής της επιστημονικής ομάδας του DeepMind. Για ορισμένους φυσικούς του γυαλιού, αυτή η προειδοποίηση περιορίζει πόσο χρήσιμο μπορεί να είναι το νευρωνικό δίκτυο γραφημάτων. «Μπορεί αυτό να εξηγηθεί με ανθρώπινους όρους;» είπε ο Wolynes. «Ότι δεν έκαναν. Αυτό δεν σημαίνει ότι δεν μπορούν να το κάνουν στο μέλλον."