为什么玻璃这么硬？原玻璃中有一些隐藏的结构。
然后是玻璃，一种奇怪的中间物质，困扰了物理学家几十年。给玻璃杯中的分子拍一张快照。它们看起来像液体紊乱。但是大多数分子几乎不动，使得这种材料像固体一样坚硬。
玻璃是由一些液体冷却形成的。但是，为什么在一定温度下，液体中的分子急剧下降，结构排列却没有明显变化(这种现象称为玻璃化转变)？到目前为止，人们还没有弄清楚是什么原因导致玻璃如此坚硬。
现在，谷歌旗下的人工智能公司DeepMind的研究人员已经使用AI来研究玻璃中的分子随着硬化而发生的变化。DeepMind的人工神经网络每次只能使用其物理结构的“快照”来预测分子在非常长的时间尺度内如何运动。DeepMind的维克多·巴普斯特(Victor Bapst)认为，即使玻璃的微观结构看起来没有任何特征，“这种结构可能比人们想象的更能预测动力学。”
悉尼大学研究玻璃化转变的彼得·哈罗威尔同意这一观点。他说，这篇论文“比以前关于玻璃硬度的论文更能说明问题”，“结构以某种方式进行了动态编码”，因此玻璃毕竟不像液体那样混乱。
为了理解导致玻璃化转变的微观变化，物理学家需要联系两种数据:玻璃中的分子在空间中是如何排列的，以及它们如何(缓慢地)随时间移动。将这些物质联系起来的一种方法是与一个称为动态趋势的量相关联:给定一组分子的当前位置，它们在未来的特定时间可能移动多少个分子。这个不断发展的量来自于使用牛顿定律计算分子轨迹，从许多不同的随机初始速度开始，然后将结果平均在一起。
通过模拟这些分子动力学，计算机可以生成数千个玻璃分子的“趋势图”，但只能在万亿分之一秒的时间尺度上。根据定义，玻璃中的分子移动非常缓慢。巴黎师范大学的凝聚态物理学家朱利奥·比罗利(Giulio Biroli)表示，“普通计算机不可能将它们的趋势计算到几秒或更长，因为这需要太多时间”。
比罗利说，更重要的是，仅仅通过这些模拟来理解什么结构特征(如果有的话)可能导致玻璃中的分子倾向，并不能给物理学家带来多少洞察力。
DeepMind的研究人员着手训练一个AI系统，在不实际运行模拟的情况下预测玻璃的特征，并试图了解这些特征的来源。他们使用一种特殊的人工神经网络，该网络将一个图形(一组由线条连接的节点)作为输入。图中的每个节点代表一个分子在玻璃中的三维位置。节点之间的线表示分子之间的距离。Bapst表示，由于神经网络通过改变自身结构来反映其输入结构来“学习”，“图形神经网络非常适合表示粒子的相互作用”。
Bapst和他的同事首先使用模拟结果来训练他们的AI系统:他们创建了一个包含4096个分子的虚拟玻璃立方体，基于不同温度下400个唯一的起始位置来模拟分子的演化，并计算粒子的惯性。在训练神经网络准确预测这些趋势后，研究人员随后将400个以前不可见的粒子配置(“玻璃分子配置的快照”)发送到训练好的网络中。
仅使用这些结构快照，神经网络就可以以前所未有的精度预测不同温度下的分子特性。与最新的机器学习预测方法相比，对未来的预测距离将达到463倍。
比罗利表示，DeepMind神经网络仅通过其对当前结构的快照就可以预测分子未来的运动，这为探索玻璃和其他材料的动力学提供了一种强有力的新方法。
然而，网络在这些快照中检测到哪种模式来进行预测呢？该系统无法轻松地进行逆向工程，以确定它在训练中学习的预防措施——这是试图使用人工智能进行科学研究的研究人员的常见问题。但是在这种情况下，他们发现了一些线索。
根据团队成员Agnieszka Grabska-Barwinska的说法，图形神经网络学会了编码物理学家所谓的相关长度模式。也就是说，随着DeepMind的图形神经网络自我重组以反映训练数据，它呈现出以下趋势:当预测趋势处于更高的温度时(分子运动看起来更像液体而不是固体，但不是固体)，对于每个节点的预测，网络依赖于来自相邻节点的信息(图中有两个或三个连接)。但是在接近玻璃化转变的较低温度下，该数目(相关长度)增加到5。
DeepMind团队的物理学家托马斯·凯克(Thomas Keck)说:“随着温度下降，我们发现网络从越来越大的街区提取信息。”“在这些不同的温度下，玻璃用肉眼看起来完全一样。但是随着我们AI技术的应用，Tu神经网络看到了不一样的东西。”
关联长度的增加是相变的标志，在相变中粒子从无序向有序排列转变，反之亦然。例如，当一块铁中的原子排列起来磁化这块铁时，就会发生这种情况。当块接近这个转变时，每个原子影响块中离得越来越远的原子。
对于比罗利这样的物理学家来说，神经网络理解关联长度并将其纳入预测的能力表明，在玻璃转变过程中，玻璃结构中必然会形成一些隐藏的有序。莱斯大学的玻璃专家彼得·沃利斯(Peter Wolynes)表示，机器学习的相关长度提供了证据，表明材料在变成玻璃态时会“接近热力学相变”。
然而，由神经网络获得的知识不能容易地转换成新的方程。DeepMind科学团队的负责人Pushmeet Kohli说，“我们不能说，‘哦，其实我们的网络正在研究这种相关性，我可以给你提供一个公式’。对于一些玻璃物理学家来说，这种警告限制了图形神经网络的实用性。”这能用人类的术语解释吗？”沃林斯说，“他们没有这样做。这并不意味着他们将来不能这样做。"