AI -system, der forudsiger bevægelse af glasmolekyler, der overgår mellem flydende og faste tilstande

Et team af forskere ved Googles DeepMind har udviklet et AI -system, der er i stand til at forudsige glasmolekylers bevægelse, når materialet overgår mellem flydende og fast tilstand. De har offentliggjort et papir, der beskriver deres arbejde på DeepMind -webstedet.

Mennesker har lavet glas i cirka 4, 000 år. I løbet af de mange år, forbedringer af processen har resulteret i udviklingen af ​​mange glastyper - men den grundlæggende proces er den samme. Sand og andre silica -komponenter opvarmes til en meget høj temperatur, ved hvilken de smelter, og det resulterende materiale afkøles derefter hurtigt forbi dets krystallisationspunkt. Slutresultatet af processen er et materiale, der er hårdt, sprød og lader lyset let passere igennem. Især glasets molekylære struktur har slet ingen struktur - under et mikroskop, molekylerne ser ud til at være samlet tilfældigt. Også, når der laves glas, der sker noget andet, der er af stor interesse for forskere-dets viskositet øges en billion gange, når det afkøles til et fast stof. Spændende nok, trods mange års studier, forskere forstår ikke rigtigt glasets natur eller dets overgangsproces. At forstå processen ville have indflydelse på mere end bare glasindustrien; det ville også forklare andre lignende overgangsprocesser, såsom kolloide suspensioner, granulære materialer og endda cellemigration.

For at få et indblik i glasovergangsprocessen, forskerne brugte graf neurale netværk, hvor AI bruges til at udvikle systemer, der kan arbejde med grafer - noder og kanter - til at forudsige dynamiske systemer. For at bruge et sådant system med glas, holdet skulle konvertere partikler og interaktioner mellem dem til noder og kanter. I et sådant system, partikler blev repræsenteret som forbindelse til nærliggende partikler. Teamet måtte også bruge en encoder til at oversætte partiklerne og interaktionerne til matematiske objekter, der kunne genkendes af AI -systemet. Når AI -systemet modtog dataene, det blev behandlet på en måde, der frembragte forudsigelser om partikelbevægelse.

Forskerne testede deres system ved hjælp af flere datasæt og fandt ud af, at det var bedre end andre AI-systemer, der havde forsøgt at gøre det samme-det opnåede en 96 procent korrelation for korte tidsintervaller og 64 procent for afslapningsdemonstrationer (hvilket i realtid ville være tusinder af flere år).

© 2020 Science X Network