Neurale netværk forudsiger kræfter i fastklemte granulære faste stoffer

Granulært stof er overalt omkring os. Eksempler omfatter sand, ris, nødder, kaffe og endda sne. Disse materialer er lavet af faste partikler, der er store nok til ikke at opleve termiske udsving. I stedet bestemmes deres tilstand af mekaniske påvirkninger:omrystning producerer "granulære gasser", mens man får "granulære faste stoffer" ved kompression. Et usædvanligt træk ved sådanne faste stoffer er, at kræfter i materialet koncentreres langs i det væsentlige lineære baner kaldet kraftkæder, hvis form ligner lynets. Bortset fra granulære faste stoffer kan andre komplekse faste stoffer, såsom tætte emulsioner, skum og endda grupper af celler, udvise disse kraftkæder. Forskere ledet af universitetet i Göttingen brugte maskinlæring og computersimuleringer til at forudsige kraftkædernes position. Resultaterne blev offentliggjort i Nature Communications .

Dannelsen af ​​kraftkæder er meget følsom over for den måde, de enkelte korn interagerer på. Dette gør det meget vanskeligt at forudsige, hvor kraftkæder vil dannes. Ved at kombinere computersimuleringer med værktøjer fra kunstig intelligens tacklede forskere ved Institut for Teoretisk Fysik, Universitetet i Göttingen og ved Gent Universitet denne udfordring ved at udvikle et nyt værktøj til at forudsige dannelsen af ​​kraftkæder i både friktionsfrit og friktionsfrit granulært stof. Tilgangen bruger en maskinlæringsmetode kendt som et grafisk neuralt netværk (GNN). Forskerne har vist, at GNN'er kan trænes i en overvåget tilgang til at forudsige positionen af ​​kraftkæder, der opstår under deformering af et granulært system, givet en udeformeret statisk struktur.

"Forståelse af kraftkæder er afgørende for at beskrive de mekaniske og transporterende egenskaber af granulære faste stoffer, og dette gælder under en lang række omstændigheder - for eksempel hvordan lyd forplanter sig, eller hvordan sand eller en pakke kaffekorn reagerer på mekanisk deformation," forklarer Dr. Rituparno Mandal, Institut for Teoretisk Fysik, Universitetet i Göttingen. Mandal tilføjer, at "en nylig undersøgelse tyder endda på, at levende væsner såsom myrer udnytter virkningerne af kraftkædenetværk, når de fjerner jordkorn til effektiv tunneludgravning."

"Vi eksperimenterede med forskellige maskinlæringsbaserede værktøjer og indså, at en trænet GNN kan generalisere bemærkelsesværdigt godt ud fra træningsdata, så den kan forudsige kraftkæder i nye udeformerede prøver," siger Mandal.

"Vi var fascineret af, hvor robust metoden er:den fungerer usædvanligt godt for mange typer computergenererede granulære materialer. Vi planlægger i øjeblikket at udvide dette til eksperimentelle systemer i laboratoriet," tilføjede Corneel Casert, fælles førsteforfatter Gent University.

Seniorforfatter, professor Peter Sollich, Institut for Teoretisk Fysik, Universitetet i Göttingen, forklarer, at "effektiviteten af ​​denne nye metode er overraskende høj for forskellige scenarier med varierende systemstørrelse, partikeltæthed og sammensætning af forskellige partikeltyper. Det betyder, at den vil være nyttig til at forstå kraftkæder for mange typer granulært stof og systemer." + Udforsk yderligere

Skab orden ved mekanisk deformation i tæt aktivt stof