固体物理主要研究哪些内容？最普通最熟悉的材料

固体物理主要研究哪些内容？最普通最熟悉的材料DeepMind的研究人员认为，用节点图形结构网络来模拟玻璃分子之间的相互作用或许非常合适。而通过训练人工智能系统，他们在不实际运行模拟的情况下，对玻璃中的倾向进行预测，并试图理解这些倾向究竟从何而来。图形神经网络以图形作为输入，图中的每个节点代表分子在玻璃中的位置，节点之间的连线表示分子之间的距离。通过对分子的动力学进行建模，计算机能且仅能在万亿分之一秒的时间尺度上生成数千个玻璃分子的“倾向性图”。已知玻璃中的分子移动得非常缓慢，因此要在秒的时间尺度上计算这些分子的倾向性，对于普通计算机来说是不可能完成的任务。这种被称为玻璃化转变的过程为何会存在，它是否对应于一种结构相变？50多年来，一直没有答案。固态物理学领域的先驱、诺贝尔物理学奖得主菲利普·沃伦·安德森（Philip Warren Anderson）就曾说：“固态理论中最深刻且最有趣的未解之谜，可能就是玻璃的性质以及玻璃化转变。”最

对大多数材料来说，宏观特性都源自于物质的微观结构。钻石之所以坚硬，是因为其中的碳原子以一种重复的晶体模式排列，这种排列不会随时间的流动而发生变化。而流动的液态水却可以被装入形状各异的容器中，这是因为液体没有固定的结构，它们的分子可以随机运动。

固体与液体之间的这种区别似乎是显而易见的。通过冷却，我们可以将液体变成固体，比如将一杯水放入冷冻室，它会变成固体的冰块。这是一个直观的物理过程：流体中的分子混杂在一起，在变得坚硬的过程中，逐渐变得有序。

然而有这么一种奇怪的材料，在显微镜下，它们的分子像液体一样无序混乱；而与此同时，它们又有着像固体一样坚硬的性质，其中的分子几乎维持不动。这种物质就是我们熟悉的玻璃，是由高温熔化的沙子和矿物混合而成的材料。当玻璃从液体冷却成固体时，液体中的分子会急剧减慢，然而它们的排列却不会像其他固体那样相应地出现明显变化，而是仍处于一种无序的状态。

玻璃和晶体的液态、过冷液态和固态。| 图片来源：DeepMind

这种被称为玻璃化转变的过程为何会存在，它是否对应于一种结构相变？50多年来，一直没有答案。固态物理学领域的先驱、诺贝尔物理学奖得主菲利普·沃伦·安德森（Philip Warren Anderson）就曾说：“固态理论中最深刻且最有趣的未解之谜，可能就是玻璃的性质以及玻璃化转变。”

最近，这一问题似乎有了新的进展。DeepMind公司利用人工智能对玻璃在固态化过程中的分子如何变化进行了研究。结果表明，新研究中所使用的人工神经网络能利用隐藏在分子所处的的局部区域结构，预测出分子的长期动态。研究人员表示，尽管玻璃的微观结构看起来没有什么规律，但它们或许具有比之前以为的更可预测的动态变化。

在这项研究中，科学家考虑了两个关键的问题，一个是玻璃中的分子是如何在空间中排列的，另一个是它们是如何缓慢地随时间移动的。这两个问题所涉及到的一个概念叫做动态倾向性，它指的是基于一组分子当前所在的位置，它们在未来的某一段特定时间内发生了移动的可能性有多大。这是一个会不断变化的量，它能通过计算许多有着随机的初始速度的分子轨迹，再求出平均结果而得出。

通过对分子的动力学进行建模，计算机能且仅能在万亿分之一秒的时间尺度上生成数千个玻璃分子的“倾向性图”。已知玻璃中的分子移动得非常缓慢，因此要在秒的时间尺度上计算这些分子的倾向性，对于普通计算机来说是不可能完成的任务。

DeepMind的研究人员认为，用节点图形结构网络来模拟玻璃分子之间的相互作用或许非常合适。而通过训练人工智能系统，他们在不实际运行模拟的情况下，对玻璃中的倾向进行预测，并试图理解这些倾向究竟从何而来。图形神经网络以图形作为输入，图中的每个节点代表分子在玻璃中的位置，节点之间的连线表示分子之间的距离。

研究人员首先对人工智能系统进行了训练：他们先创建了一个由四千多个分子组成的虚拟玻璃立方体，模拟了在不同温度下，从400个不同位置开始的分子动态进化，并计算了每种情况下的倾向性。在神经网络被训练到可以准确预测这些倾向之后，他们将400个新的分子构型（玻璃分子快照）输入到训练过的系统中。凭借这些构型快照，神经网络预测出了不同温度下的分子倾向，其精准度达到了前所未有的水平，比之前最先进的机器学习预测方法所预测的未来时间长463倍。

也就是说，新研究中的图形神经网络可以仅通过对分子的当前结构进行简单描述，就预测出玻璃分子的长期动态运动，这为探索玻璃以及其他材料的动力学提供了一种强大的新工具。

利用这种方法，研究人员找到了一些新的线索，它与一个物理学的相变研究中的重要概念——“相关长度”有关，相关长度可被理解为度量一个粒子可对其他粒子产生影响的距离。他们发现图形神经网络学会了编码相关长度：当在更高的温度下（分子运动更像液体）预测倾向时，对网络中的每个节点的预测取决于与该节点相邻的2-3个节点的信息；但在更低的温度下时，这个数字会增加到5。

也就是说，随着温度下降，网络会从越来越大的粒子群中提取信息。换句话说，在玻璃化转变出现时，相关长度的增长，是出现了玻璃化转变的标志。它意味着虽然从宏观角度来看，不同温度下的玻璃看起来一样，但实际上在分子层面出现了不同的情况。

虽然目前来看，从神经网络所获取的这些信息很难被用于定量预测，但却可以帮助我们对这些物理系统进行定性理解。这种图形神经网络对相关长度概念的习得表明，在玻璃发生相变的过程中，玻璃结构中一定存在着某种隐藏的秩序，它们并非真的如液体那般无序。

参考来源：

https://www.quantamagazine.org/why-is-glass-rigid-signs-of-its-secret-structure-emerge-20200707/

https://deepmind.com/blog/article/Towards-understanding-glasses-with-graph-neural-networks

https://www.quantamagazine.org/ideal-glass-would-explain-why-glass-exists-at-all-20200311/