Un nuovo metodo di intelligenza artificiale accelera le simulazioni di liquidi
"Questo approccio consente di determinare il potenziale chimico in modo indiretto, ma coerente, senza doverlo addestrare esplicitamente"
Annunci
I ricercatori dell'Università di Bayreuth hanno sviluppato un metodo che utilizza l'intelligenza artificiale per accelerare in modo significativo il calcolo delle proprietà dei liquidi. L'approccio dell'intelligenza artificiale prevede il potenziale chimico, una grandezza indispensabile per descrivere i liquidi in equilibrio termodinamico. I ricercatori presentano i loro risultati in un nuovo studio pubblicato sulla rivista Physical Review Letters, dove è stato selezionato come Editors' Suggestion.
Molti metodi di IA comuni si basano sul principio dell'apprendimento automatico supervisionato: un modello - ad esempio una rete neurale - viene addestrato specificamente per prevedere direttamente una particolare quantità target. Un esempio che illustra questo approccio è il riconoscimento delle immagini, in cui al sistema di IA vengono mostrate numerose immagini in cui si sa se è raffigurato o meno un gatto. Su questa base, il sistema impara a identificare i gatti in nuove immagini precedentemente non viste. "Tuttavia, un approccio diretto di questo tipo è difficile nel caso del potenziale chimico, perché la sua determinazione richiede solitamente algoritmi computazionalmente costosi", spiega il Prof. Dr. Matthias Schmidt, titolare della cattedra di Fisica Teorica II dell'Università di Bayreuth. Lui e il suo collaboratore di ricerca, il Dr. Florian Sammüller, affrontano questa sfida con il loro nuovo metodo di intelligenza artificiale. Si basa su una rete neurale che incorpora la struttura teorica dei liquidi - e più in generale della materia soffice - consentendo di prevederne le proprietà con grande precisione.
"La particolarità del nostro metodo è che l'intelligenza artificiale non impara affatto il potenziale chimico", spiega Schmidt. L'intelligenza artificiale apprende invece il funzionale di densità universale, che cattura le relazioni fisiche fondamentali all'interno di un liquido e rimane lo stesso in molti sistemi diversi. "Questo può essere illustrato confrontando diverse superfici rivestite con lo stesso liquido. Anche se le superfici possono differire per struttura o materiale, il liquido segue comunque le stesse leggi fisiche fondamentali. Queste proprietà 'intrinseche' del liquido corrispondono al funzionale di densità universale che viene catturato tramite l'apprendimento automatico", spiega Schmidt.
Tra il funzionale di densità appreso e le proprietà osservabili di un sistema, come il profilo di densità delle particelle e il potenziale esterno, persiste una differenza. Questo divario non è colmato dal modello di intelligenza artificiale, ma dai principi fisici: da considerazioni generali sulla stabilità termodinamica, consegue che questa differenza residua corrisponde univocamente al potenziale chimico.
"Il nostro metodo combina l'apprendimento guidato dai dati con le intuizioni fondamentali della fisica teorica: il funzionale di densità derivato dall'IA fornisce un quadro universale, mentre il potenziale chimico stesso è derivato da condizioni fisiche consolidate. Questo approccio consente di determinare il potenziale chimico in modo indiretto, ma coerente, senza doverlo addestrare esplicitamente", osserva Sammüller. E aggiunge: "In termini di riconoscimento di immagini, sarebbe quasi come se un'intelligenza artificiale potesse riconoscere i gatti senza averne mai visto uno durante l'addestramento".
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Inglese può essere trovato qui.
Pubblicazione originale
Altre notizie dal dipartimento scienza
