Mobilités prédites par GNN (colorées du moins mobile en bleu au plus mobile en rouge) comparées à la position des particules les plus mobiles dans la simulation (points) dans une tranche de notre boîte en 3 dimensions. De meilleures performances correspondent à un meilleur alignement des zones rouges et des points. Le panneau de gauche correspond à une prédiction sur une courte échelle de temps :un régime dans lequel notre réseau atteint de très bonnes performances. Dans le panneau de droite, correspondant à une échelle de temps 28, 000 fois plus long que le panneau de gauche, les particules dans le verre ont commencé à se diffuser. Les dynamiques sont hétérogènes – les mobilités des particules sont corrélées localement, mais hétérogène aux échelles macroscopiques – pourtant notre réseau fait toujours des prédictions en accord avec la simulation de la vérité terrain. Crédit :DeepMind
Une équipe de chercheurs de DeepMind de Google a développé un système d'IA capable de prédire le mouvement des molécules de verre lors de la transition du matériau entre les états liquide et solide. Ils ont publié un article décrivant leur travail sur le site Web de DeepMind.
Les humains fabriquent du verre depuis environ 4 ans, 000 ans. Au cours de ces nombreuses années, les améliorations apportées au processus ont entraîné le développement de nombreux types de verre, mais le processus de base reste le même. Le sable et les autres composants de la silice sont chauffés à une température très élevée à laquelle ils fondent, et le matériau résultant est ensuite rapidement refroidi au-delà de son point de cristallisation. Le résultat final du processus est un matériau dur, fragile et laisse passer la lumière facilement. Notamment, la structure moléculaire du verre n'a aucune structure - au microscope, les molécules semblent être assemblées au hasard. Aussi, quand le verre est fait, quelque chose d'autre se produit qui est d'un grand intérêt pour les scientifiques :sa viscosité augmente d'un billion de fois lorsqu'elle se refroidit en un solide. Curieusement, malgré de nombreuses années d'études, les scientifiques ne comprennent pas vraiment la nature du verre ou son processus de transition. Comprendre le processus aurait un impact sur plus que l'industrie du verre; cela expliquerait également d'autres processus de transition similaires, telles que les suspensions colloïdales, matériaux granulaires et même la migration cellulaire.
Pour mieux comprendre le processus de transition vitreuse, les chercheurs ont utilisé un réseau de neurones graphiques, dans lequel l'IA est utilisée pour développer des systèmes pouvant fonctionner avec des graphiques (nœuds et arêtes) pour faire des prédictions sur les systèmes dynamiques. Pour utiliser un tel système avec du verre, l'équipe a dû convertir les particules et les interactions entre elles en nœuds et en bords. Dans un tel système, les particules étaient représentées comme se connectant aux particules voisines. L'équipe a également dû utiliser un encodeur pour traduire les particules et les interactions en objets mathématiques pouvant être reconnus par le système d'IA. Une fois que le système d'IA a reçu les données, il a été traité d'une manière qui a produit des prédictions de mouvement des particules.
