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"倾向图"，但只能在万亿分之一秒的时间尺度上。而玻璃中的分子，根据定义，移动非常缓慢。法国巴黎高等师范学校大学的凝聚态物理学家朱利奥·比罗利（Giulio Biroli）说，计算它们对几秒或更多水平的倾向"对于普通计算机来说是不可能的，因为它需要太多的时间"。

更重要的是，比罗利说，仅仅通过这些模拟来了解什么结构特征（如果有任何）可能导致玻璃中的分子倾向，并不能给物理学家带来多少见解。

DeepMind的研究人员着手训练一个AI系统，以在不实际运行模拟的情况下预测玻璃的特性，并试图了解这些特性的来源。他们使用一种特殊的人工神经网络，该网络以图（通过线连接的节点集合）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彼此相距多远。巴普斯特说，由于神经网络通过更改自身结构以反映其输入的结构来“学习”，因此“图神经网络非常适合表示粒子的相互作用”。

巴普斯特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4,096个分子的虚拟玻璃立方体，基于400个在不同温度下唯一的起始位置模拟了分子的演化，并计算了粒子的惯性。在训练了神经网络以准确预测这些倾向后，研究人员接下来，将400个以前看不见的粒子构型（玻璃分子构型的“快照”）送入训练有素的网络。

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分子的特性，与以前的最新机器学习预测方法相比，到未来的预测距离将达到463倍。

相关线索

根据比罗利的说法，DeepMind神经网络仅凭其当前结构的快照就可以预测分子的未来运动，这为探索玻璃以及可能的其他材料的动力学提供了一种强大的新方法。

但是，网络在这些快照中检测到了哪种模式才能做出预测？该系统无法轻松地进行逆向工程，来确定其在培训期间学到的注意事项——对于试图使用AI进行科学研究的研究人员来说，这是一个常见问题。但是在这种情况下，他们找到了一些线索。

根据该团队成员Agnieszka Grabska-Barwinska的说法，图神经网络学会了对物理学家称为相关长度模式进行编码。也就是说，随着DeepMind的图神经网络进行自我*以反映训练数据时，它呈现出以下趋势：当在较高温度（分子运动看起来比固体更像液体，而不是固体）上预测倾向时，对于每个节点的预测，网络都依赖于根据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，该数字（相关长度）增加到了5。