A matéria granular está ao nosso redor. Exemplos incluem areia, arroz, nozes, café e até neve. Esses materiais são feitos de partículas sólidas que são grandes o suficiente para não sofrer flutuações térmicas. Em vez disso, seu estado é determinado por influências mecânicas:a agitação produz "gases granulares" enquanto se obtém "sólidos granulares" por compressão. Uma característica incomum de tais sólidos é que as forças dentro do material se concentram ao longo de caminhos essencialmente lineares chamados de cadeias de força cuja forma se assemelha à de um raio. Além de sólidos granulares, outros sólidos complexos como emulsões densas, espumas e até mesmo grupos de células podem apresentar essas cadeias de força. Pesquisadores liderados pela Universidade de Göttingen usaram aprendizado de máquina e simulações de computador para prever a posição das cadeias de força. Os resultados foram publicados em Nature Communications .
A formação de cadeias de força é altamente sensível à forma como os grãos individuais interagem. Isso torna muito difícil prever onde as cadeias de força se formarão. Combinando simulações de computador com ferramentas de inteligência artificial, pesquisadores do Instituto de Física Teórica da Universidade de Göttingen e da Universidade de Ghent enfrentaram esse desafio desenvolvendo uma nova ferramenta para prever a formação de cadeias de força em matéria granular sem atrito e friccional. A abordagem usa um método de aprendizado de máquina conhecido como rede neural de grafo (GNN). Os pesquisadores demonstraram que os GNNs podem ser treinados em uma abordagem supervisionada para prever a posição das cadeias de força que surgem ao deformar um sistema granular, dada uma estrutura estática não deformada.

"Compreender as cadeias de força é crucial para descrever as propriedades mecânicas e de transporte de sólidos granulares e isso se aplica a uma ampla gama de circunstâncias - por exemplo, como o som se propaga ou como a areia ou um pacote de grãos de café respondem à deformação mecânica", explica o Dr. Rituparno Mandal, Instituto de Física Teórica, Universidade de Göttingen. Mandal acrescenta que "um estudo recente sugere que criaturas vivas, como formigas, exploram os efeitos das redes de cadeias de força ao remover grãos de solo para escavação eficiente de túneis".

“Experimentamos diferentes ferramentas baseadas em aprendizado de máquina e percebemos que um GNN treinado pode generalizar notavelmente bem a partir de dados de treinamento, permitindo prever cadeias de força em novas amostras não deformadas”, diz Mandal.

"Ficamos fascinados com a robustez do método:ele funciona excepcionalmente bem para muitos tipos de materiais granulares gerados por computador. Atualmente, estamos planejando estender isso para sistemas experimentais em laboratório", acrescentou Corneel Casert, coautor da Universidade de Ghent.

O autor sênior, professor Peter Sollich, do Instituto de Física Teórica da Universidade de Göttingen, explica que "a eficiência deste novo método é surpreendentemente alta para diferentes cenários com tamanhos de sistemas variados, densidade de partículas e composição de diferentes tipos de partículas. ser útil na compreensão das cadeias de força para muitos tipos de matéria granular e sistemas." + Explorar mais

Criando ordem por deformação mecânica em matéria ativa densa