Des scientifiques de Bayreuth ont développé une nouvelle méthode d’étude de la matière liquide et molle grâce à l’intelligence artificielle. Dans une étude maintenant publiée dans les Proceedings of the National Academy of Sciences , ils ouvrent un nouveau chapitre dans la théorie fonctionnelle de la densité.
Nous vivons dans un monde hautement technologique où la recherche fondamentale est le moteur de l’innovation, dans un réseau dense et complexe d’interrelations et d’interdépendances. La recherche publiée propose de nouvelles méthodes qui peuvent avoir une grande influence sur les techniques de simulation largement répandues, afin que les substances complexes puissent être étudiées sur ordinateur plus rapidement, plus précisément et plus en profondeur.
À l’avenir, cela pourrait avoir une influence sur la conception des produits et des processus. Le fait que la structure des liquides puisse être parfaitement représentée par les relations mathématiques neuronales nouvellement formulées constitue une avancée majeure qui ouvre une gamme de possibilités pour acquérir des connaissances physiques approfondies.
"Dans l'étude, nous démontrons comment l'intelligence artificielle peut être utilisée pour réaliser une physique théorique fondamentale qui aborde le comportement des fluides et d'autres systèmes complexes de matière molle", explique le professeur Matthias Schmidt, président de physique théorique II à l'Université de Bayreuth. "Nous avons développé une méthode scientifique avancée pour étudier la matière au niveau atomique et (macro)moléculaire, combinant l'apprentissage automatique et des méthodes mathématiques pour calculer des propriétés physiques complexes."
Les chercheurs de Bayreuth présentent un schéma hybride basé sur la théorie fonctionnelle classique de la densité et l’apprentissage automatique pour déterminer la structure d’équilibre et la thermodynamique des fluides sous diverses influences. Schmidt déclare :« Nous démontrons l'utilisation de la fonctionnelle neuronale dans le calcul auto-cohérent des profils de densité. La qualité des résultats dépasse l'état de l'art de la théorie fonctionnelle de la densité à mesure fondamentale. outil efficace pour la description multi-échelle de la matière molle."
Ainsi, des connaissances fondamentales sur la structure de la matière sont acquises. Le type de matière peut être banal, mais il peut également constituer la base de processus technologiques et de produits commerciaux. "Cette combinaison puissante de techniques de base essentiellement simples a ouvert un nouveau chapitre dans la théorie fonctionnelle de la densité", explique Schmidt, "parce que les réseaux formés par des données de simulation sont plus précis que les meilleures approximations théoriques actuellement conçues "à la main", c'est-à-dire avec du papier et du papier. crayon.
"En plus de son importance pour le domaine particulier de la mécanique statistique de la matière molle, je pense que notre méthode soulève également des questions fondamentales sur la compréhension humaine de notre activité intellectuelle. Pour ma part, notre étude donne un espoir considérable pour des développements où l'intelligence artificielle, plutôt que de nous remplacer, il nous agrandit d'une manière que je trouve très surprenante."
Les chercheurs de l'Université de Bayreuth proposent également du matériel didactique largement accessible pour accompagner le PNAS. publication. Cela inclut un autre article d'introduction publié sur arXiv serveur de prépublication ("Pourquoi les fonctions neuronales conviennent à la mécanique statistique", par Florian Sammüller, Sophie Hermann et Matthias Schmidt) ainsi que du code de programmation disponible en ligne, que les personnes intéressées peuvent essayer par elles-mêmes et utiliser.
Plus d'informations : Florian Sammüller et al, Théorie fonctionnelle neuronale pour les fluides inhomogènes :principes fondamentaux et applications, Actes de l'Académie nationale des sciences (2023). DOI : 10.1073/pnas.2312484120
Florian Sammüller et al, Pourquoi les fonctionnelles neuronales conviennent à la mécanique statistique, arXiv (2023). DOI :10.48550/arxiv.2312.04681
Informations sur le journal : Actes de l'Académie nationale des sciences , arXiv
Fourni par l'Université de Bayreuth
