Korrelige materie is overal om ons heen. Voorbeelden zijn zand, rijst, noten, koffie en zelfs sneeuw. Deze materialen zijn gemaakt van vaste deeltjes die groot genoeg zijn om geen thermische fluctuaties te ervaren. In plaats daarvan wordt hun toestand bepaald door mechanische invloeden:schudden produceert "granulaire gassen", terwijl men "granulaire vaste stoffen" krijgt door compressie. Een ongebruikelijk kenmerk van dergelijke vaste stoffen is dat krachten in het materiaal zich concentreren langs in wezen lineaire paden die krachtketens worden genoemd en waarvan de vorm lijkt op die van bliksem. Afgezien van korrelige vaste stoffen, kunnen andere complexe vaste stoffen zoals dichte emulsies, schuimen en zelfs groepen cellen deze krachtketens vertonen. Onderzoekers onder leiding van de Universiteit van Göttingen gebruikten machine learning en computersimulaties om de positie van krachtketens te voorspellen. De resultaten zijn gepubliceerd in Nature Communications .

De vorming van krachtketens is zeer gevoelig voor de manier waarop de afzonderlijke korrels op elkaar inwerken. Dit maakt het erg moeilijk om te voorspellen waar krachtketens zich zullen vormen. Door computersimulaties te combineren met hulpmiddelen van kunstmatige intelligentie, gingen onderzoekers van het Instituut voor Theoretische Fysica, Universiteit van Göttingen en aan de Universiteit Gent deze uitdaging aan door een nieuw hulpmiddel te ontwikkelen voor het voorspellen van de vorming van krachtketens in zowel wrijvingsloze als wrijvingsloze korrelige materie. De aanpak maakt gebruik van een machine learning-methode die bekend staat als een graaf neuraal netwerk (GNN). De onderzoekers hebben aangetoond dat GNN's kunnen worden getraind in een gesuperviseerde benadering om de positie te voorspellen van krachtketens die ontstaan ​​​​tijdens het vervormen van een granulair systeem, gegeven een onvervormde statische structuur.

"Het begrijpen van krachtketens is cruciaal bij het beschrijven van de mechanische en transporteigenschappen van korrelige vaste stoffen en dit geldt in een breed scala van omstandigheden, bijvoorbeeld hoe geluid zich voortplant of hoe zand of een pak koffiebonen reageren op mechanische vervorming", legt Dr. Rituparno uit. Mandal, Instituut voor Theoretische Fysica, Universiteit van Göttingen. Mandal voegt eraan toe dat "een recent onderzoek zelfs suggereert dat levende wezens zoals mieren de effecten van krachtketennetwerken benutten bij het verwijderen van grondkorrels voor efficiënte tunneluitgraving."

"We hebben geëxperimenteerd met verschillende op machine learning gebaseerde tools en realiseerden ons dat een getrainde GNN opmerkelijk goed kan generaliseren op basis van trainingsgegevens, waardoor het krachtketens in nieuwe onvervormde monsters kan voorspellen", zegt Mandal.

"We waren gefascineerd door hoe robuust de methode is:het werkt uitzonderlijk goed voor veel soorten computergegenereerde korrelige materialen. We zijn momenteel van plan om dit uit te breiden naar experimentele systemen in het laboratorium", aldus Corneel Casert, mede-eerste auteur Universiteit Gent.

Senior auteur, professor Peter Sollich, Instituut voor Theoretische Fysica, Universiteit van Göttingen, legt uit dat "de efficiëntie van deze nieuwe methode verrassend hoog is voor verschillende scenario's met variërende systeemgrootte, deeltjesdichtheid en samenstelling van verschillende deeltjestypes. Dit betekent dat het nuttig zijn bij het begrijpen van krachtketens voor vele soorten korrelige materie en systemen." + Verder verkennen

Orde scheppen door mechanische vervorming in dichte actieve materie