Cientistas de Bayreuth desenvolveram um novo método para estudar matéria líquida e mole usando inteligência artificial. Num estudo agora publicado no Proceedings of the National Academy of Sciences , eles abrem um novo capítulo na teoria do funcional da densidade.



Vivemos num mundo altamente tecnologizado onde a investigação básica é o motor da inovação, numa teia densa e complexa de inter-relações e interdependências. A pesquisa publicada fornece novos métodos que podem ter grande influência nas técnicas de simulação generalizadas, para que substâncias complexas possam ser investigadas em computadores de forma mais rápida, precisa e profunda.

No futuro, isso poderá influenciar o design de produtos e processos. O fato de que a estrutura dos líquidos pode ser representada de forma excelente pelas relações matemáticas neurais recém-formuladas é um grande avanço que abre uma gama de possibilidades para obter insights físicos profundos.

"No estudo, demonstramos como a inteligência artificial pode ser usada para realizar física teórica fundamental que aborda o comportamento de fluidos e outros sistemas complexos de matéria mole", diz o Prof. Matthias Schmidt, catedrático de Física Teórica II da Universidade de Bayreuth. "Desenvolvemos um método científico avançado para estudar a matéria em nível atômico e (macro)molecular, combinando aprendizado de máquina e métodos matemáticos para calcular propriedades físicas complexas."

Os pesquisadores de Bayreuth apresentam um esquema híbrido baseado na teoria clássica do funcional da densidade e no aprendizado de máquina para determinar a estrutura de equilíbrio e a termodinâmica de fluidos sob uma variedade de influências. Schmidt diz:"Demonstramos o uso do funcional neural na computação autoconsistente de perfis de densidade. A qualidade dos resultados excede o estado da arte da teoria do funcional de densidade de medida fundamental. Os resultados estabelecem o aprendizado de máquina de funcionais como um ferramenta eficiente para a descrição multiescala de matéria mole."

Assim, são obtidos insights fundamentais sobre a estrutura da matéria. O tipo de matéria pode ser mundano, mas também pode ser a base de processos tecnológicos e produtos comerciais. "Esta combinação poderosa de técnicas básicas essencialmente simples abriu um novo capítulo na teoria do funcional da densidade", diz Schmidt, "porque as redes treinadas por dados de simulação são mais precisas do que as melhores aproximações teóricas atualmente projetadas 'manualmente', ou seja, com papel e lápis.

"Além da importância para o campo específico da mecânica estatística da matéria mole, penso que o nosso método também levanta questões fundamentais sobre a autocompreensão humana da nossa actividade intelectual. Para mim, o nosso estudo dá esperança considerável para desenvolvimentos onde a inteligência artificial, em vez de nos substituir, expande-nos de uma forma que considero muito surpreendente."

Os pesquisadores da Universidade de Bayreuth também fornecem material tutorial amplamente acessível para acompanhar o PNAS publicação. Isso inclui mais um artigo introdutório postado no arXiv servidor de pré-impressão ("Por que os funcionais neurais se adaptam à mecânica estatística", de Florian Sammüller, Sophie Hermann e Matthias Schmidt), bem como código de programação disponível on-line, que as pessoas interessadas podem experimentar e trabalhar.

Mais informações: Florian Sammüller et al, Teoria funcional neural para fluidos não homogêneos:Fundamentos e aplicações, Proceedings of the National Academy of Sciences (2023). DOI:10.1073/pnas.2312484120
Florian Sammüller et al, Por que os funcionais neurais se adaptam à mecânica estatística, arXiv (2023). DOI:10.48550/arxiv.2312.04681

Informações do diário: Anais da Academia Nacional de Ciências , arXiv

Fornecido pela Universidade de Bayreuth