玻璃是某些液體冷卻而形成的。但是，為什麼液體中的分子在一定溫度下會急劇下降，而結構排列卻沒有明顯的相應變化（這種現象稱為玻璃化轉變）？到目前為止，人們一直沒有弄清楚是什麼導致了玻璃如此堅硬。
現在，谷歌擁有的人工智慧公司DeepMind的研究人員已經使用AI來研究玻璃中的分子隨著硬化而發生的變化。 DeepMind的人工神經網絡能夠在一個時刻僅使用其物理結構的「快照」，來預測分子如何在極長的時間尺度內運動。根據DeepMind的維克多·巴普斯特（Victor Bapst）的觀點，即使玻璃的微觀結構看起來沒有任何特徵，「這種結構可能比人們想像的更能預測動力學。」
在雪梨大學研究玻璃過渡的彼得·哈羅爾（Peter Harrowell）表示同意。 他說，這篇論文「比以前有關玻璃硬度論文更能說明問題」，「結構以某種方式為動態編碼」，因此玻璃畢竟不像液體那樣混亂。
預測傾向
為了了解導致玻璃過渡的微觀變化，物理學家需要將兩種數據聯繫起來：玻璃中的分子在太空中是如何排列的，以及它們（緩慢地）如何隨時間移動。將這些物質聯繫起來的一個方法，就是與一種叫做動態傾向的數量有關：鑒於一組分子目前的位置，它們在未來特定時間可能移動多少分子。這種不斷演變的數量來自於使用牛頓定律計算分子的軌跡，從許多不同的隨機初始速度開始，然後一起平均結果。
通過模擬這些分子動力學，計算機可以生成數千個玻璃分子的"傾向圖"，但只能在萬億分之一秒的時間尺度上。而玻璃中的分子，根據定義，移動非常緩慢。法國巴黎高等師範學校大學的凝聚態物理學家朱利奧·比羅利（Giulio Biroli）說，計算它們對幾秒或更多水平的傾向"對於普通計算機來說是不可能的，因為它需要太多的時間"。
更重要的是，比羅利說，僅僅通過這些模擬來了解什麼結構特徵（如果有任何）可能導致玻璃中的分子傾向，並不能給物理學家帶來多少見解。
DeepMind的研究人員著手訓練一個AI系統，以在不實際運行模擬的情況下預測玻璃的特性，並試圖了解這些特性的來源。他們使用一種特殊的人工神經網絡，該網絡以圖（通過線連接的節點集合）作為輸入。圖中的每個節點代表一個分子在玻璃中的三維位置。節點之間的線表示分子彼此相距多遠。巴普斯特說，由於神經網絡通過更改自身結構以反映其輸入的結構來「學習」，因此「圖神經網絡非常適合表示粒子的相互作用」。
巴普斯特和他的同事首先使用模擬結果來訓練他們的AI系統：他們創建了一個包含4,096個分子的虛擬玻璃立方體，基於400個在不同溫度下唯一的起始位置模擬了分子的演化，並計算了粒子的慣性。在訓練了神經網絡以準確預測這些傾向後，研究人員接下來，將400個以前看不見的粒子構型（玻璃分子構型的「快照」）送入訓練有素的網絡。
僅使用這些結構快照，神經網絡就可以以前所未有的精度預測不同溫度下分子的特性，與以前的最新機器學習預測方法相比，到未來的預測距離將達到463倍。
根據比羅利的說法，DeepMind神經網絡僅憑其當前結構的快照就可以預測分子的未來運動，這為探索玻璃以及可能的其他材料的動力學提供了一種強大的新方法。
但是，網絡在這些快照中檢測到了哪種模式才能做出預測？該系統無法輕鬆地進行逆向工程，來確定其在培訓期間學到的注意事項——對於試圖使用AI進行科學研究的研究人員來說，這是一個常見問題。但是在這種情況下，他們找到了一些線索。
根據該團隊成員Agnieszka Grabska-Barwinska的說法，圖神經網絡學會了對物理學家稱為相關長度模式進行編碼。也就是說，隨著DeepMind的圖神經網絡進行自我重組以反映訓練數據時，它呈現出以下趨勢：當在較高溫度（分子運動看起來比固體更像液體，而不是固體）上預測傾向時，對於每個節點的預測，網絡都依賴於根據來自相鄰節點的信息（圖中有兩個或三個連接）。但是在接近玻璃化轉變的較低溫度下，該數字（相關長度）增加到了5。
DeepMind團隊的物理學家托馬斯·凱克（Thomas Keck）說：「隨著溫度的降低，我們發現網絡從越來越大的鄰域中提取信息」。「在這些不同的溫度下，玻璃肉眼看起來完全一樣。但是隨著我們的AI技術的運用，圖神經網絡看到了一些不同的東西。」
相關長度的增加是相變的標誌，其中粒子從無序過渡到有序排列，反之亦然。例如，當一塊鐵中的原子共同排列從而使該塊磁化時，就會發生這種情況。隨著嵌段接近該轉變，每個原子影響嵌段中越來越遠的原子。
對於像比羅利這樣的物理學家來說，神經網絡了解相關長度並將其納入預測的能力表明，在玻璃轉變過程中，玻璃結構中必定會形成一些隱藏的順序。萊斯大學的玻璃專家彼得·沃林斯（Peter Wolynes）說，機器了解到的相關長度提供了證據，表明材料在變成玻璃狀時會「接近熱力學相變」。
儘管如此，通過神經網絡獲得的知識仍無法輕鬆轉化為新的方程式。DeepMind科學團隊負責人普希米·科利（Pushmeet Kohli）說：「我們不能說，『哦，實際上我們的網絡正在研究這種相關性，我可以為您提供一個公式『。」 對於某些玻璃物理學家來說，這一告誡限制了圖神經網絡的實用性。「這可以用人類術語解釋嗎？」沃林斯說，「他們沒有這樣做。這並不意味著他們將來無法做到。」
