DeepMind团队的物理学家托马斯·凯克（Thomas Keck）说：“随着温度的降低，我们发现网络从越来越大的邻域中提取信息”。“在这些不同的温度下，玻璃肉眼看起来完全一样。但是随着我们的AI技术的运用，图神经网络看到了一些不同的东西。”
相关长度的增加是相变的标志，其中粒子从无序过渡到有序排列，反之亦然。例如，当一块铁中的原子共同排列从而使该块磁化时，就会发生这种情况。随着嵌段接近该转变，每个原子影响嵌段中越来越远的原子。
对于像比罗利这样的物理学家来说，神经网络了解相关长度并将其纳入预测的能力表明，在玻璃转变过程中，玻璃结构中必定会形成一些隐藏的顺序。莱斯大学的玻璃专家彼得·沃林斯（Peter Wolynes）说，机器了解到的相关长度提供了证据，表明材料在变成玻璃状时会“接近热力学相变”。
尽管如此，通过神经网络获得的知识仍无法轻松转化为新的方程式。DeepMind科学团队负责人普希米·科利（Pushmeet Kohli）说：“我们不能说，‘哦，实际上我们的网络正在研究这种相关性，我可以为您提供一个公式‘。” 对于某些玻璃物理学家来说，这一告诫限制了图神经网络的实用性。“这可以用人类术语解释吗？”沃林斯说，“他们没有这样做。这并不意味着他们将来无法做到。”
