Wetenschappers uit Bayreuth hebben een nieuwe methode ontwikkeld om vloeibare en zachte materie te bestuderen met behulp van kunstmatige intelligentie. In een studie die nu is gepubliceerd in de Proceedings of the National Academy of Sciences , openen ze een nieuw hoofdstuk in de dichtheidsfunctionaaltheorie.

We leven in een sterk getechnologiseerde wereld waar fundamenteel onderzoek de motor van innovatie is, in een dicht en complex web van onderlinge relaties en onderlinge afhankelijkheden. Het gepubliceerde onderzoek levert nieuwe methoden op die een grote invloed kunnen hebben op wijdverbreide simulatietechnieken, waardoor complexe stoffen sneller, preciezer en diepgaander op computers kunnen worden onderzocht.

In de toekomst kan dit van invloed zijn op het product- en procesontwerp. Het feit dat de structuur van vloeistoffen uitstekend kan worden weergegeven door de nieuw geformuleerde neurale wiskundige relaties is een grote doorbraak die een scala aan mogelijkheden opent voor het verkrijgen van diepgaande fysieke inzichten.

"In de studie laten we zien hoe kunstmatige intelligentie kan worden gebruikt om fundamentele theoretische natuurkunde uit te voeren die het gedrag van vloeistoffen en andere complexe systemen van zachte materie behandelt", zegt prof. dr. Matthias Schmidt, voorzitter van Theoretical Physics II aan de Universiteit van Bayreuth. "We hebben een geavanceerde wetenschappelijke methode ontwikkeld om materie op atomair en (macro)moleculair niveau te bestuderen, waarbij machine learning en wiskundige methoden worden gecombineerd om complexe fysische eigenschappen te berekenen."

De Bayreuth-onderzoekers presenteren een hybride schema gebaseerd op de klassieke dichtheidsfunctionaaltheorie en machinaal leren om de evenwichtsstructuur en thermodynamica van vloeistoffen onder verschillende invloeden te bepalen. Schmidt zegt:"We demonstreren het gebruik van de neurale functionaal bij de zelfconsistente berekening van dichtheidsprofielen. De kwaliteit van de resultaten overtreft de stand van de techniek van de dichtheidsfunctionaaltheorie met fundamentele metingen. De resultaten vestigen machinaal leren van functionelen als een efficiënt hulpmiddel voor de beschrijving van zachte materie op meerdere schaal."

Zo worden fundamentele inzichten in de structuur van de materie verkregen. Het soort materie kan alledaags zijn, maar kan ook de basis vormen van technologische processen en commerciële producten. ‘Deze krachtige combinatie van in wezen eenvoudige basistechnieken heeft een nieuw hoofdstuk geopend in de dichtheidsfunctionaaltheorie’, zegt Schmidt, ‘omdat netwerken die zijn getraind door simulatiegegevens nauwkeuriger zijn dan de momenteel beste theoretische benaderingen die ‘met de hand’ zijn ontworpen, dat wil zeggen met papier en papier. potlood.

"Naast de betekenis voor het specifieke gebied van de statistische mechanica van zachte materie, denk ik dat onze methode ook fundamentele vragen oproept over het menselijke zelfinzicht van onze intellectuele activiteit. Voor mij geeft onze studie aanzienlijke hoop op ontwikkelingen waarbij kunstmatige intelligentie, in plaats van ons te vervangen, breidt het ons uit op een manier die ik zeer verrassend vind."

De onderzoekers van de Universiteit van Bayreuth bieden ook breed toegankelijk instructiemateriaal bij de PNAS publicatie. Dit omvat nog een inleidend artikel dat op de arXiv is geplaatst preprint-server ("Waarom neurale functionaliteiten bij statistische mechanica passen", door Florian Sammüller, Sophie Hermann en Matthias Schmidt) en programmeercode die online beschikbaar is, die geïnteresseerde mensen zelf kunnen uitproberen en ermee kunnen werken.

Meer informatie: Florian Sammüller et al, Neurale functionele theorie voor inhomogene vloeistoffen:grondbeginselen en toepassingen, Proceedings of the National Academy of Sciences (2023). DOI:10.1073/pnas.2312484120

Florian Sammüller et al., Waarom neurale functionaliteiten passen bij statistische mechanica, arXiv (2023). DOI:10.48550/arxiv.2312.04681

Journaalinformatie: Proceedings van de Nationale Academie van Wetenschappen , arXiv

Aangeboden door de Universiteit van Bayreuth