Un team di ricercatori dell’Argonne National Laboratory del Dipartimento dell’Energia degli Stati Uniti (DOE) ha sviluppato un nuovo algoritmo di apprendimento automatico in grado di determinare in modo rapido e accurato la geometria delle lacune nei materiali porosi. L’algoritmo, chiamato PGNet (Pore Geometry Network), potrebbe essere utilizzato per comprendere meglio la struttura dei liquidi e il modo in cui scorrono attraverso mezzi porosi, che ha applicazioni in una vasta gamma di campi, come l’energia, le scienze ambientali e la produzione farmaceutica.

"La geometria del gap è una proprietà fondamentale dei materiali porosi che regola la loro capacità di immagazzinare e trasportare fluidi", ha affermato lo scienziato dell'Argonne Dongxiao Zhang, coautore dello studio. "Tuttavia, determinare con precisione la geometria del gap da dati sperimentali o simulazioni è un compito impegnativo, soprattutto per materiali porosi complessi."

I ricercatori hanno sviluppato l’algoritmo PGNet utilizzando una tecnica di apprendimento automatico chiamata reti neurali convoluzionali (CNN). Le CNN sono un tipo di algoritmo di deep learning adatto per attività di analisi e riconoscimento delle immagini. I ricercatori hanno addestrato l’algoritmo PGNet su un ampio set di dati di immagini di materiali porosi simulati e hanno dimostrato che poteva determinare con precisione la geometria del gap di questi materiali.

I ricercatori hanno poi utilizzato l’algoritmo PGNet per studiare la struttura dei liquidi nei materiali porosi. Hanno scoperto che la geometria dello spazio vuoto dei materiali porosi ha un impatto significativo sulla struttura dei liquidi confinati all’interno dei pori.

Questo lavoro è stato finanziato dall'Ufficio delle scienze energetiche di base del DOE. Il gruppo di ricerca comprendeva Dongxiao Zhang, Yuan Cheng e Yongqiang Cheng dell'Argonne National Laboratory; e Jialin Li e Ruiqiang Li dell'Università del Nebraska a Omaha.

Lo studio è pubblicato sulla rivista Nature Communications.