Mobilità previste dalla GNN (colorate dal meno mobile in blu al più mobile in rosso) rispetto alla posizione delle particelle più mobili nella simulazione (punti) in una fetta della nostra scatola tridimensionale. Migliori prestazioni corrispondono a un maggiore allineamento delle aree rosse e dei punti. Il pannello di sinistra corrisponde a una previsione su una scala temporale breve:un regime in cui la nostra rete raggiunge una performance molto forte. Nel pannello di destra, corrispondente a un arco temporale 28, 000 volte più lungo del pannello di sinistra, le particelle nel vetro hanno iniziato a diffondersi. Le dinamiche sono eterogenee – le mobilità delle particelle sono correlate localmente, ma eterogeneo su scala macroscopica, eppure la nostra rete fa ancora previsioni in accordo con la simulazione della verità fondamentale. Credito:DeepMind
Un team di ricercatori del DeepMind di Google ha sviluppato un sistema di intelligenza artificiale in grado di prevedere il movimento delle molecole di vetro durante le transizioni del materiale tra lo stato liquido e quello solido. Hanno pubblicato un documento che illustra il loro lavoro sul sito web di DeepMind.
Gli esseri umani producono il vetro da circa 4, 000 anni. In quei tanti anni, miglioramenti al processo hanno portato allo sviluppo di molti tipi di vetro, ma il processo di base rimane lo stesso. La sabbia e altri componenti di silice vengono riscaldati a una temperatura molto elevata alla quale si sciolgono, e il materiale risultante viene quindi rapidamente raffreddato oltre il suo punto di cristallizzazione. Il risultato finale del processo è un materiale duro, fragile e lascia passare facilmente la luce. In particolare, la struttura molecolare del vetro non ha alcuna struttura:al microscopio, le molecole sembrano essere assemblate casualmente. Anche, quando si fa il vetro, accade qualcos'altro che è di grande interesse per gli scienziati:la sua viscosità aumenta di un trilione di volte mentre si raffredda fino a diventare un solido. intrigante, nonostante molti anni di studio, gli scienziati non comprendono veramente la natura del vetro o il suo processo di transizione. Comprendere il processo avrebbe un impatto non solo sull'industria del vetro; spiegherebbe anche altri processi di transizione simili, come sospensioni colloidali, materiali granulari e persino migrazione cellulare.
Per approfondire il processo di transizione vetrosa, i ricercatori hanno utilizzato reti neurali a grafo, in cui l'intelligenza artificiale viene utilizzata per sviluppare sistemi in grado di funzionare con grafici, nodi e bordi, per fare previsioni sui sistemi dinamici. Per utilizzare un tale sistema con il vetro, il team ha dovuto convertire le particelle e le interazioni tra loro in nodi e bordi. In un tale sistema, le particelle erano rappresentate come connesse a particelle vicine. Il team ha anche dovuto utilizzare un codificatore per tradurre le particelle e le interazioni in oggetti matematici che potevano essere riconosciuti dal sistema di intelligenza artificiale. Una volta che il sistema di intelligenza artificiale ha ricevuto i dati, è stato elaborato in modo da produrre previsioni sul movimento delle particelle.
I ricercatori hanno testato il loro sistema utilizzando più set di dati e hanno scoperto che ha superato altri sistemi di intelligenza artificiale che avevano cercato di fare lo stesso:ha raggiunto una correlazione del 96% per brevi intervalli di tempo e del 64% per dimostrazioni di rilassamento (che in tempo reale sarebbero migliaia di anni).
© 2020 Scienza X Rete
