Mobilidades previstas por GNN (coloridas de menos móvel em azul até mais móvel em vermelho) em comparação com a posição das partículas mais móveis na simulação (pontos) em uma fatia de nossa caixa tridimensional. O melhor desempenho corresponde a um maior alinhamento das áreas e pontos vermelhos. O painel esquerdo corresponde a uma previsão em um curto espaço de tempo:um regime em que nossa rede atinge um desempenho muito forte. No painel direito, correspondendo a uma escala de tempo 28, 000 vezes mais do que o painel esquerdo, partículas no vidro começaram a se difundir. As dinâmicas são heterogêneas - as mobilidades das partículas são correlacionadas localmente, mas heterogêneo em escalas macroscópicas - ainda nossa rede ainda faz previsões de acordo com a simulação de verdade terrestre. Crédito:DeepMind
Uma equipe de pesquisadores da DeepMind do Google desenvolveu um sistema de IA capaz de prever o movimento das moléculas de vidro durante a transição do material entre os estados líquido e sólido. Eles publicaram um artigo descrevendo seu trabalho no site DeepMind.
Os humanos fabricam vidro há aproximadamente 4, 000 anos. Ao longo desses muitos anos, melhorias no processo resultaram no desenvolvimento de muitos tipos de vidro - mas o processo básico permanece o mesmo. Areia e outros componentes de sílica são aquecidos a uma temperatura muito alta na qual eles derretem, e o material resultante é então rapidamente resfriado além de seu ponto de cristalização. O resultado final do processo é um material duro, frágil e permite que a luz passe facilmente. Notavelmente, a estrutura molecular do vidro não tem estrutura alguma - sob um microscópio, as moléculas parecem ser montadas aleatoriamente. Também, quando o vidro é feito, acontece outra coisa que é de grande interesse para os cientistas - sua viscosidade aumenta um trilhão de vezes à medida que ele esfria e se torna um sólido. Curiosamente, apesar de muitos anos de estudo, os cientistas não entendem realmente a natureza do vidro ou seu processo de transição. Compreender o processo teria um impacto mais do que apenas na indústria do vidro; também explicaria outros processos de transição semelhantes, como suspensões coloidais, materiais granulares e até mesmo migração celular.
Para obter algumas informações sobre o processo de transição de vidro, os pesquisadores usaram redes neurais de gráficos, em que a IA é usada para desenvolver sistemas que podem trabalhar com gráficos - nós e arestas - para fazer previsões sobre sistemas dinâmicos. Para usar tal sistema com vidro, a equipe teve que converter partículas e interações entre elas em nós e arestas. Em tal sistema, as partículas foram representadas conectando-se a partículas próximas. A equipe também teve que usar um codificador para traduzir as partículas e interações em objetos matemáticos que pudessem ser reconhecidos pelo sistema de IA. Uma vez que o sistema de IA recebeu os dados, foi processado de uma forma que produziu previsões do movimento das partículas.
Os pesquisadores testaram seu sistema usando vários conjuntos de dados e descobriram que superou outros sistemas de IA que tentaram fazer o mesmo - alcançou 96 por cento de correlação para curtos períodos de tempo e 64 por cento para demonstrações de relaxamento (que em tempo real seriam milhares de anos).
© 2020 Science X Network
