AI-metoden til at beskrive blødt stof åbner et nyt kapitel i tæthedsfunktionel teori

Forskere fra Bayreuth har udviklet en ny metode til at studere flydende og blødt stof ved hjælp af kunstig intelligens. I en undersøgelse, der nu er offentliggjort i Proceedings of the National Academy of Sciences , åbner de et nyt kapitel i tæthedsfunktionel teori.

Vi lever i en højteknologisk verden, hvor grundforskning er motoren for innovation, i et tæt og komplekst net af indbyrdes sammenhænge og indbyrdes afhængigheder. Den publicerede forskning giver nye metoder, der kan have stor indflydelse på udbredte simuleringsteknikker, så komplekse stoffer hurtigere, mere præcist og dybere kan undersøges på computere.

Dette kan i fremtiden have indflydelse på produkt- og procesdesign. Det faktum, at væskers struktur på fremragende vis kan repræsenteres af de nyformulerede neurale matematiske relationer, er et stort gennembrud, der åbner op for en række muligheder for at opnå dyb fysisk indsigt.

"I undersøgelsen demonstrerer vi, hvordan kunstig intelligens kan bruges til at udføre fundamental teoretisk fysik, der adresserer væsker og andre komplekse bløde stofsystemer," siger prof. Dr. Matthias Schmidt, formand for Teoretisk Fysik II ved University of Bayreuth. "Vi har udviklet en avanceret videnskabelig metode til at studere stof på atom- og (makro)molekylært niveau, der kombinerer maskinlæring og matematiske metoder til at beregne komplekse fysiske egenskaber."

Bayreuth-forskerne præsenterer et hybridskema baseret på klassisk tæthedsfunktionsteori og maskinlæring for at bestemme væskers ligevægtsstruktur og termodynamik under en række forskellige påvirkninger. Schmidt siger, "Vi demonstrerer brugen af ​​det neurale funktionelle i den selvkonsistente beregning af tæthedsprofiler. Kvaliteten af ​​resultaterne overstiger det nyeste inden for fundamental-måltæthed funktionel teori. Resultaterne etablerer maskinlæring af funktionaler som en effektivt værktøj til multiskalabeskrivelse af blødt stof."

Således opnås grundlæggende indsigt i materiens struktur. Materietypen kan være hverdagsagtig, men den kan også være grundlaget for teknologiske processer og kommercielle produkter. "Denne kraftfulde kombination af i det væsentlige simple grundlæggende teknikker har åbnet et nyt kapitel i tæthedsfunktionel teori," siger Schmidt, "fordi netværk trænet af simuleringsdata er mere nøjagtige end de i øjeblikket bedste teoretiske tilnærmelser designet 'i hånden', dvs. med papir og blyant.

"Udover betydningen for det særlige område af statistisk mekanik af blødt stof, tror jeg, at vores metode også rejser fundamentale spørgsmål om den menneskelige selvforståelse af vores intellektuelle aktivitet. For mig selv giver vores undersøgelse et betydeligt håb for udviklinger, hvor kunstig intelligens, og jeg tror, ​​at vores metode også rejser grundlæggende spørgsmål om den menneskelige selvforståelse af vores intellektuelle aktivitet. snarere end at erstatte os, udvider os på en måde, som jeg finder meget overraskende."

Forskerne ved University of Bayreuth leverer også bredt tilgængeligt vejledningsmateriale til at ledsage PNAS offentliggørelse. Dette inkluderer en yderligere introduktionsartikel, der er postet til arXiv preprint server ("Hvorfor neurale funktionaliteter passer til statistisk mekanik," af Florian Sammüller, Sophie Hermann og Matthias Schmidt) samt programmeringskode tilgængelig online, som interesserede kan prøve selv og arbejde med.

Flere oplysninger: Florian Sammüller et al., Neural funktionel teori for inhomogene væsker:Grundlæggende og anvendelser, Proceedings of the National Academy of Sciences (2023). DOI:10.1073/pnas.2312484120

Florian Sammüller et al., Hvorfor neurale funktionaliteter passer til statistisk mekanik, arXiv (2023). DOI:10.48550/arxiv.2312.04681

Journaloplysninger: Proceedings of the National Academy of Sciences , arXiv

Leveret af Bayreuth University