• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  Science >> Vetenskap >  >> Fysik
    AI-metod för att beskriva mjuk materia öppnar upp ett nytt kapitel i densitetsfunktionella teorin
    Illustrationen visar arbetsflödet som är inneboende i den neurala funktionsteorin, som börjar med datainsamling via provtagning i partikelbaserade datorsimuleringar. Kredit:UBT

    Forskare från Bayreuth har utvecklat en ny metod för att studera flytande och mjuk materia med hjälp av artificiell intelligens. I en studie som nu publicerats i Proceedings of the National Academy of Sciences , öppnar de upp ett nytt kapitel i densitetsfunktionella teorin.



    Vi lever i en högteknologisk värld där grundforskning är motorn för innovation, i en tät och komplex väv av ömsesidiga samband och ömsesidiga beroenden. Den publicerade forskningen ger nya metoder som kan ha stort inflytande på utbredda simuleringstekniker, så att komplexa ämnen kan undersökas på datorer snabbare, mer exakt och djupare.

    I framtiden kan detta ha inflytande på produkt- och processdesign. Det faktum att vätskors struktur på ett utmärkt sätt kan representeras av de nyformulerade neurala matematiska sambanden är ett stort genombrott som öppnar upp en rad möjligheter för att få djupa fysiska insikter.

    "I studien visar vi hur artificiell intelligens kan användas för att utföra grundläggande teoretisk fysik som tar upp beteendet hos vätskor och andra komplexa mjuka materiasystem", säger prof. Dr. Matthias Schmidt, ordförande för Teoretisk Fysik II vid University of Bayreuth. "Vi har utvecklat en avancerad vetenskaplig metod för att studera materia på atomär och (makro)molekylär nivå, genom att kombinera maskininlärning och matematiska metoder för att beräkna komplexa fysikaliska egenskaper."

    Bayreuth-forskarna presenterar ett hybridschema baserat på klassisk densitetsfunktionsteori och maskininlärning för att bestämma jämviktsstrukturen och termodynamiken hos vätskor under en mängd olika influenser. Schmidt säger, "Vi demonstrerar användningen av den neurala funktionella i den självkonsekventa beräkningen av densitetsprofiler. Kvaliteten på resultaten överstiger den senaste tekniken inom grundläggande mättäthet funktionell teori. Resultaten etablerar maskininlärning av funktionaler som en effektivt verktyg för flerskalig beskrivning av mjuk materia."

    Därmed erhålls grundläggande insikter i materiens struktur. Typen av materia kan vara vardaglig, men den kan också ligga till grund för tekniska processer och kommersiella produkter. "Denna kraftfulla kombination av väsentligen enkla grundläggande tekniker har öppnat ett nytt kapitel i densitetsfunktionella teorin", säger Schmidt, "eftersom nätverk som tränas av simuleringsdata är mer exakta än de för närvarande bästa teoretiska approximationerna designade "för hand", dvs. med papper och penna.

    "Förutom betydelsen för det speciella området för statistisk mekanik av mjuk materia, tror jag att vår metod också väcker grundläggande frågor om människans självförståelse av vår intellektuella aktivitet. För mig själv ger vår studie ett stort hopp om utvecklingar där artificiell intelligens, snarare än att ersätta oss, expanderar oss på ett sätt som jag tycker är mycket förvånande."

    Forskarna vid University of Bayreuth tillhandahåller också brett tillgängligt handledningsmaterial som åtföljer PNAS offentliggörande. Detta inkluderar ytterligare en introduktionsartikel som postats till arXiv preprint-server ("Why neural functionals suit statistical mechanics," av Florian Sammüller, Sophie Hermann och Matthias Schmidt) samt programmeringskod tillgänglig online, som intresserade kan prova själva och arbeta med.

    Mer information: Florian Sammüller et al, Neural funktionell teori för inhomogena vätskor:Grunder och tillämpningar, Proceedings of the National Academy of Sciences (2023). DOI:10.1073/pnas.2312484120

    Florian Sammüller et al, Varför neurala funktionaliteter passar statistisk mekanik, arXiv (2023). DOI:10.48550/arxiv.2312.04681

    Journalinformation: Proceedings of the National Academy of Sciences , arXiv

    Tillhandahålls av Bayreuth University




    © Vetenskap https://sv.scienceaq.com