Científicos de Bayreuth han desarrollado un nuevo método para estudiar materia líquida y blanda utilizando inteligencia artificial. En un estudio publicado ahora en las Proceedings of the National Academy of Sciences , abren un nuevo capítulo en la teoría funcional de la densidad.
Vivimos en un mundo altamente tecnificado donde la investigación básica es el motor de la innovación, en una red densa y compleja de interrelaciones e interdependencias. La investigación publicada proporciona nuevos métodos que pueden tener una gran influencia en las técnicas de simulación más extendidas, de modo que se puedan investigar sustancias complejas en ordenadores de forma más rápida, precisa y profunda.
En el futuro, esto podría influir en el diseño de productos y procesos. El hecho de que la estructura de los líquidos pueda representarse de manera excelente mediante las relaciones matemáticas neuronales recientemente formuladas es un gran avance que abre una gama de posibilidades para obtener conocimientos físicos profundos.
"En el estudio demostramos cómo se puede utilizar la inteligencia artificial para llevar a cabo física teórica fundamental que aborde el comportamiento de fluidos y otros sistemas complejos de materia blanda", afirma el Prof. Dr. Matthias Schmidt, catedrático de Física Teórica II de la Universidad de Bayreuth. "Hemos desarrollado un método científico avanzado para estudiar la materia a nivel atómico y (macro)molecular, combinando aprendizaje automático y métodos matemáticos para calcular propiedades físicas complejas".
Los investigadores de Bayreuth presentan un esquema híbrido basado en la teoría funcional de la densidad clásica y el aprendizaje automático para determinar la estructura de equilibrio y la termodinámica de los fluidos bajo una variedad de influencias. Schmidt dice:"Demostramos el uso del funcional neuronal en el cálculo autoconsistente de perfiles de densidad. La calidad de los resultados excede el estado del arte de la teoría del funcional de densidad de medidas fundamentales. Los resultados establecen el aprendizaje automático de funcionales como una herramienta eficiente para la descripción multiescala de materia blanda."
De este modo se obtienen conocimientos fundamentales sobre la estructura de la materia. El tipo de materia puede ser mundana, pero también puede ser la base de procesos tecnológicos y productos comerciales. "Esta poderosa combinación de técnicas básicas esencialmente simples ha abierto un nuevo capítulo en la teoría funcional de la densidad", dice Schmidt, "porque las redes entrenadas mediante datos de simulación son más precisas que las mejores aproximaciones teóricas actualmente diseñadas 'a mano', es decir, con papel y lápiz.
"Además de la importancia para el campo particular de la mecánica estadística de la materia blanda, creo que nuestro método también plantea cuestiones fundamentales sobre la autocomprensión humana de nuestra actividad intelectual. En mi opinión, nuestro estudio ofrece considerables esperanzas para desarrollos en los que la inteligencia artificial, en lugar de reemplazarnos, nos expande de una manera que encuentro muy sorprendente."
Los investigadores de la Universidad de Bayreuth también proporcionan material tutorial de fácil acceso para acompañar al PNAS. publicación. Esto incluye un artículo introductorio adicional publicado en arXiv. servidor de preimpresión ("Por qué las funciones neuronales se adaptan a la mecánica estadística", de Florian Sammüller, Sophie Hermann y Matthias Schmidt), así como el código de programación disponible en línea, que las personas interesadas pueden probar por sí mismos y trabajar con él.
Más información: Florian Sammüller et al, Teoría funcional neuronal para fluidos no homogéneos:fundamentos y aplicaciones, Actas de la Academia Nacional de Ciencias (2023). DOI:10.1073/pnas.2312484120
Florian Sammüller et al, Por qué las funciones neuronales se adaptan a la mecánica estadística, arXiv (2023). DOI:10.48550/arxiv.2312.04681
Información de la revista: Actas de la Academia Nacional de Ciencias , arXiv
Proporcionado por la Universidad de Bayreuth
