Een team van onderzoekers van Google's DeepMind heeft een AI-systeem ontwikkeld dat in staat is om de beweging van glasmoleculen te voorspellen als de materiële overgangen tussen vloeibare en vaste toestanden. Ze hebben een paper gepubliceerd waarin hun werk wordt geschetst op de DeepMind-website.

Mensen maken al ongeveer 4 jaar glas, 000 jaar. In die vele jaren, verbeteringen aan het proces hebben geleid tot de ontwikkeling van vele soorten glas, maar het basisproces blijft hetzelfde. Zand en andere silicacomponenten worden verhit tot een zeer hoge temperatuur waarbij ze smelten, en het resulterende materiaal wordt dan snel afgekoeld voorbij zijn kristallisatiepunt. Het eindresultaat van het proces is een materiaal dat hard is, broos en laat licht gemakkelijk door. Opmerkelijk, de moleculaire structuur van glas heeft helemaal geen structuur - onder een microscoop, de moleculen lijken willekeurig te zijn samengesteld. Ook, als glas wordt gemaakt, er gebeurt iets anders dat van groot belang is voor wetenschappers - de viscositeit ervan neemt een biljoen keer toe als het afkoelt tot een vaste stof. Intrigerend, ondanks jarenlange studie, wetenschappers begrijpen de aard van glas of het overgangsproces niet echt. Het begrijpen van het proces zou een impact hebben op meer dan alleen de glasindustrie; het zou ook andere soortgelijke overgangsprocessen verklaren, zoals colloïdale suspensies, granulaire materialen en zelfs celmigratie.

Om enig inzicht te krijgen in het glasovergangsproces, de onderzoekers gebruikten graaf neurale netwerken, waarin AI wordt gebruikt om systemen te ontwikkelen die met grafieken - knooppunten en randen - kunnen werken om voorspellingen te doen over dynamische systemen. Om een ​​dergelijk systeem met glas te gebruiken, het team moest deeltjes en interacties daartussen omzetten in knooppunten en randen. In een dergelijk systeem, deeltjes werden weergegeven als verbonden met nabijgelegen deeltjes. Het team moest ook een encoder gebruiken om de deeltjes en interacties te vertalen naar wiskundige objecten die door het AI-systeem konden worden herkend. Zodra het AI-systeem de gegevens heeft ontvangen, het werd verwerkt op een manier die voorspellingen van deeltjesbeweging produceerde.

De onderzoekers testten hun systeem met behulp van meerdere datasets en ontdekten dat het beter presteerde dan andere AI-systemen die hetzelfde hadden geprobeerd:het bereikte een correlatie van 96 procent voor korte tijdspannes en 64 procent voor ontspanningsdemonstraties (wat in realtime duizenden zou zijn). jaar).

© 2020 Wetenschap X Netwerk