Granulär materia finns överallt omkring oss. Exempel inkluderar sand, ris, nötter, kaffe och till och med snö. Dessa material är gjorda av fasta partiklar som är tillräckligt stora för att inte uppleva termiska fluktuationer. Istället bestäms deras tillstånd av mekanisk påverkan:skakning producerar "granulära gaser" medan man får "granulära fasta ämnen" genom kompression. En ovanlig egenskap hos sådana fasta ämnen är att krafter i materialet koncentreras längs i huvudsak linjära banor som kallas kraftkedjor vars form liknar blixtens. Förutom granulära fasta ämnen kan andra komplexa fasta ämnen såsom täta emulsioner, skum och till och med grupper av celler uppvisa dessa kraftkedjor. Forskare ledda av universitetet i Göttingen använde maskininlärning och datorsimuleringar för att förutsäga kraftkedjornas position. Resultaten publicerades i Nature Communications .

Bildandet av kraftkedjor är mycket känsligt för hur de enskilda kornen interagerar. Detta gör det mycket svårt att förutsäga var kraftkedjor kommer att bildas. Genom att kombinera datorsimuleringar med verktyg från artificiell intelligens, tacklade forskare vid Institutet för teoretisk fysik, universitetet i Göttingen och vid universitetet i Gent denna utmaning genom att utveckla ett nytt verktyg för att förutsäga bildandet av kraftkedjor i både friktionsfritt och friktionsfritt kornmaterial. Metoden använder en maskininlärningsmetod som kallas ett grafiskt neuralt nätverk (GNN). Forskarna har visat att GNN kan tränas i ett övervakat tillvägagångssätt för att förutsäga positionen för kraftkedjor som uppstår när ett granulärt system deformeras, givet en odeformerad statisk struktur.

"Att förstå kraftkedjor är avgörande för att beskriva de mekaniska egenskaperna och transportegenskaperna hos kornformiga fasta ämnen och detta gäller i ett brett spektrum av omständigheter - till exempel hur ljud fortplantas eller hur sand eller en förpackning kaffekorn reagerar på mekanisk deformation", förklarar Dr. Rituparno Mandal, Institutet för teoretisk fysik, Högskolan i Göttingen. Mandal tillägger att "en nyligen genomförd studie tyder till och med på att levande varelser som myror utnyttjar effekterna av kraftkedjenätverk när de tar bort jordkorn för effektiv tunnelutgrävning."

"Vi experimenterade med olika maskininlärningsbaserade verktyg och insåg att en tränad GNN kan generalisera anmärkningsvärt bra från träningsdata, vilket gör att den kan förutsäga kraftkedjor i nya odeformerade prover", säger Mandal.

"Vi var fascinerade av hur robust metoden är:den fungerar exceptionellt bra för många typer av datorgenererade granulära material. Vi planerar för närvarande att utvidga detta till experimentella system i labbet", tillade Corneel Casert, medförfattare i Gent University.

Seniorförfattare, professor Peter Sollich, Institutet för teoretisk fysik, universitetet i Göttingen, förklarar att "effektiviteten hos denna nya metod är förvånansvärt hög för olika scenarier med varierande systemstorlek, partikeldensitet och sammansättning av olika partikeltyper. Detta betyder att den kommer att vara användbar för att förstå kraftkedjor för många typer av granulärt material och system." + Utforska vidare

Skapa ordning genom mekanisk deformation i tätt aktivt material