La materia granular está a nuestro alrededor. Los ejemplos incluyen arena, arroz, nueces, café e incluso nieve. Estos materiales están hechos de partículas sólidas que son lo suficientemente grandes como para no experimentar fluctuaciones térmicas. En cambio, su estado está determinado por influencias mecánicas:la agitación produce "gases granulares" mientras que uno obtiene "sólidos granulares" por compresión. Una característica inusual de tales sólidos es que las fuerzas dentro del material se concentran a lo largo de caminos esencialmente lineales llamados cadenas de fuerza cuya forma se asemeja a la de un rayo. Aparte de los sólidos granulares, otros sólidos complejos como las emulsiones densas, las espumas e incluso los grupos de células pueden presentar estas cadenas de fuerza. Investigadores dirigidos por la Universidad de Göttingen utilizaron aprendizaje automático y simulaciones por computadora para predecir la posición de las cadenas de fuerza. Los resultados fueron publicados en Nature Communications .

La formación de cadenas de fuerza es muy sensible a la forma en que interactúan los granos individuales. Esto hace que sea muy difícil predecir dónde se formarán las cadenas de fuerza. Al combinar simulaciones por computadora con herramientas de inteligencia artificial, los investigadores del Instituto de Física Teórica de la Universidad de Göttingen y de la Universidad de Ghent abordaron este desafío al desarrollar una herramienta novedosa para predecir la formación de cadenas de fuerza en materia granular con fricción y sin fricción. El enfoque utiliza un método de aprendizaje automático conocido como red neuronal gráfica (GNN). Los investigadores han demostrado que las GNN se pueden entrenar en un enfoque supervisado para predecir la posición de las cadenas de fuerza que surgen al deformar un sistema granular, dada una estructura estática no deformada.

"Comprender las cadenas de fuerza es crucial para describir las propiedades mecánicas y de transporte de los sólidos granulares y esto se aplica en una amplia gama de circunstancias, por ejemplo, cómo se propaga el sonido o cómo la arena o un paquete de granos de café responden a la deformación mecánica", explica el Dr. Rituparno. Mandal, Instituto de Física Teórica, Universidad de Göttingen. Mandal agrega que "un estudio reciente incluso sugiere que las criaturas vivas, como las hormigas, aprovechan los efectos de las redes de cadenas de fuerza cuando eliminan granos de tierra para excavar túneles de manera eficiente".

"Experimentamos con diferentes herramientas basadas en el aprendizaje automático y nos dimos cuenta de que un GNN entrenado puede generalizar muy bien a partir de los datos de entrenamiento, lo que le permite predecir cadenas de fuerza en nuevas muestras no deformadas", dice Mandal.

"Nos fascinó lo robusto que es el método:funciona excepcionalmente bien para muchos tipos de materiales granulares generados por computadora. Actualmente estamos planeando extender esto a sistemas experimentales en el laboratorio", agregó Corneel Casert, primer autor conjunto de la Universidad de Ghent.

El autor principal, el profesor Peter Sollich, del Instituto de Física Teórica de la Universidad de Göttingen, explica que "la eficiencia de este nuevo método es sorprendentemente alta para diferentes escenarios con diferentes tamaños de sistemas, densidades de partículas y composición de diferentes tipos de partículas. Esto significa que ser útil para comprender las cadenas de fuerza para muchos tipos de sistemas y materia granular". + Explora más

Creación de orden por deformación mecánica en materia activa densa