Sistema de inteligencia artificial que predice el movimiento de las moléculas de vidrio en transición entre estados líquido y sólido

science >> Ciencia > >> Física

Movilidades predichas por GNN (coloreadas desde el menos móvil en azul hasta el más móvil en rojo) en comparación con la posición de las partículas más móviles en la simulación (puntos) en un corte de nuestra caja tridimensional. Un mejor rendimiento corresponde a una mayor alineación de áreas y puntos rojos. El panel de la izquierda corresponde a una predicción en un corto período de tiempo:un régimen en el que nuestra red alcanza un rendimiento muy fuerte. En el panel derecho, correspondiente a una escala de tiempo 28, 000 veces más largo que el panel izquierdo, las partículas en el vidrio han comenzado a difundirse. La dinámica es heterogénea:las movilidades de partículas están correlacionadas localmente, pero heterogéneo a escalas macroscópicas, sin embargo, nuestra red todavía hace predicciones de acuerdo con la simulación de verdad del terreno. Crédito:DeepMind

Un equipo de investigadores de DeepMind de Google ha desarrollado un sistema de inteligencia artificial que puede predecir el movimiento de las moléculas de vidrio a medida que el material pasa de estado líquido a estado sólido. Han publicado un artículo que describe su trabajo en el sitio web de DeepMind.

Los seres humanos han estado fabricando vidrio durante aproximadamente 4, 000 años. Durante esos muchos años, las mejoras en el proceso han dado como resultado el desarrollo de muchos tipos de vidrio, pero el proceso básico sigue siendo el mismo. La arena y otros componentes de sílice se calientan a una temperatura muy alta a la que se derriten, y el material resultante luego se enfría rápidamente más allá de su punto de cristalización. El resultado final del proceso es un material que es duro, quebradizo y permite que la luz pase fácilmente. Notablemente, la estructura molecular del vidrio no tiene estructura en absoluto:bajo un microscopio, las moléculas parecen estar ensambladas al azar. También, cuando se hace vidrio, sucede algo más que es de gran interés para los científicos:su viscosidad aumenta un billón de veces a medida que se enfría hasta convertirse en un sólido. Curiosamente, a pesar de muchos años de estudio, Los científicos no comprenden realmente la naturaleza del vidrio o su proceso de transición. Comprender el proceso tendría un impacto en algo más que en la industria del vidrio; también explicaría otros procesos de transición similares, como suspensiones coloidales, materiales granulares e incluso migración celular.

Para conocer mejor el proceso de transición vítrea, los investigadores utilizaron redes neuronales gráficas, en el que la IA se utiliza para desarrollar sistemas que pueden trabajar con gráficos (nodos y bordes) para hacer predicciones sobre sistemas dinámicos. Para utilizar un sistema de este tipo con vidrio, el equipo tuvo que convertir partículas e interacciones entre ellas en nodos y bordes. En tal sistema, las partículas se representaron como conectadas a partículas cercanas. El equipo también tuvo que usar un codificador para traducir las partículas y las interacciones a objetos matemáticos que pudieran ser reconocidos por el sistema de IA. Una vez que el sistema de IA recibió los datos, fue procesado de una manera que produjo predicciones del movimiento de partículas.

Un liquido, cuando se enfría demasiado rápido más allá de su punto de cristalización, se convierte en un líquido sobreenfriado que, al enfriarse aún más, se convierte en un desordenado, vidrio amorfo. Si se enfría lo suficientemente lento, en cambio, puede transformarse en un cristal ordenado. Crédito:DeepMind

Los investigadores probaron su sistema utilizando múltiples conjuntos de datos y encontraron que superaba a otros sistemas de inteligencia artificial que habían intentado hacer lo mismo:logró una correlación del 96 por ciento para períodos de tiempo cortos y del 64 por ciento para demostraciones de relajación (que en tiempo real serían miles de años).

Mente profunda, Leyenda:Arquitectura del modelo. a) De las entradas 3-d, los nodos a una distancia inferior a 2 están conectados para formar un gráfico. Después de procesar, la red predice mobilites (representados por diferentes colores) para cada partícula. b) El núcleo de la red de gráficos primero actualiza los bordes en función de su incrustación anterior y los de sus nodos adyacentes, y luego los nodos basados en sus incrustaciones anteriores y las de los bordes entrantes. c) La red gráfica consta de un codificador, varias aplicaciones del núcleo, seguido de un decodificador. Cada aplicación del núcleo aumenta la capa de partículas que contribuyen a la predicción de una partícula determinada, aquí se muestra en color para la partícula central (azul oscuro). Crédito:DeepMind

Experimento de ablación. En el experimento de la izquierda, se eliminan todas las partículas más allá de la primera capa alrededor de una partícula central. En el experimento correcto, la entrada se perturba aumentando la distancia entre la primera y la segunda capa de partículas. Crédito:DeepMind

Doblando microondas y prohibiendo frecuencias con metamateriales simulados

Belle II da los primeros resultados:En busca del bosón Z ′

Física