Gli scienziati di Bayreuth hanno sviluppato un nuovo metodo per studiare la materia liquida e soffice utilizzando l'intelligenza artificiale. In uno studio ora pubblicato negli Proceedings of the National Academy of Sciences , aprono un nuovo capitolo nella teoria del funzionale della densità.
Viviamo in un mondo altamente tecnologizzato dove la ricerca di base è il motore dell’innovazione, in una rete fitta e complessa di interrelazioni e interdipendenze. La ricerca pubblicata fornisce nuovi metodi che possono avere una grande influenza sulle diffuse tecniche di simulazione, in modo che le sostanze complesse possano essere studiate sui computer in modo più rapido, preciso e approfondito.
In futuro ciò potrebbe avere un’influenza sulla progettazione del prodotto e del processo. Il fatto che la struttura dei liquidi possa essere rappresentata in modo eccellente dalle relazioni matematiche neurali di nuova formulazione è un importante passo avanti che apre una serie di possibilità per ottenere intuizioni fisiche profonde.
"Nello studio dimostriamo come l'intelligenza artificiale può essere utilizzata per svolgere fisica teorica fondamentale che affronta il comportamento dei fluidi e di altri sistemi complessi di materia soffice", afferma il Prof. Dr. Matthias Schmidt, titolare della cattedra di Fisica Teorica II presso l'Università di Bayreuth. "Abbiamo sviluppato un metodo scientifico avanzato per studiare la materia a livello atomico e (macro)molecolare, combinando apprendimento automatico e metodi matematici per calcolare proprietà fisiche complesse."
I ricercatori di Bayreuth presentano uno schema ibrido basato sulla teoria classica del funzionale della densità e sull’apprendimento automatico per determinare la struttura di equilibrio e la termodinamica dei fluidi sotto una varietà di influenze. Schmidt afferma:"Abbiamo dimostrato l'uso del funzionale neurale nel calcolo autoconsistente dei profili di densità. La qualità dei risultati supera lo stato dell'arte della teoria del funzionale della densità delle misure fondamentali. I risultati stabiliscono l'apprendimento automatico dei funzionali come un strumento efficiente per la descrizione multiscala della materia soffice."
In questo modo si ottengono conoscenze fondamentali sulla struttura della materia. Il tipo di materia può essere banale, ma può anche essere la base di processi tecnologici e prodotti commerciali. "Questa potente combinazione di tecniche di base essenzialmente semplici ha aperto un nuovo capitolo nella teoria del funzionale della densità", afferma Schmidt, "perché le reti addestrate dai dati di simulazione sono più accurate delle migliori approssimazioni teoriche attualmente progettate 'a mano', cioè con carta e matita.
"Oltre all'importanza per il particolare campo della meccanica statistica della materia soffice, penso che il nostro metodo sollevi anche questioni fondamentali sull'autocomprensione umana della nostra attività intellettuale. Per quanto mi riguarda, il nostro studio dà notevoli speranze per sviluppi in cui l'intelligenza artificiale, invece di sostituirci, ci espande in un modo che trovo molto sorprendente."
I ricercatori dell'Università di Bayreuth forniscono anche materiale didattico ampiamente accessibile per accompagnare il PNAS pubblicazione. Ciò include un ulteriore articolo introduttivo pubblicato su arXiv server di prestampa ("Perché i funzionali neurali si adattano alla meccanica statistica", di Florian Sammüller, Sophie Hermann e Matthias Schmidt) e codice di programmazione disponibile online, che le persone interessate possono provare personalmente e con cui lavorare.
Ulteriori informazioni: Florian Sammüller et al, Teoria funzionale neurale per fluidi disomogenei:fondamenti e applicazioni, Atti dell'Accademia nazionale delle scienze (2023). DOI:10.1073/pnas.2312484120
Florian Sammüller et al, Perché i funzionali neurali si adattano alla meccanica statistica, arXiv (2023). DOI:10.48550/arxiv.2312.04681
Informazioni sul giornale: Atti dell'Accademia Nazionale delle Scienze , arXiv
Fornito dall'Università di Bayreuth
