Novo método de IA acelera as simulações de líquidos
"Esta abordagem permite determinar o potencial químico de forma indireta, mas consistente, sem ter de o treinar explicitamente"
Anúncios
Os investigadores da Universidade de Bayreuth desenvolveram um método que utiliza a inteligência artificial e que pode acelerar significativamente o cálculo das propriedades dos líquidos. A abordagem da IA prevê o potencial químico - uma quantidade indispensável para descrever os líquidos em equilíbrio termodinâmico. Os investigadores apresentam as suas descobertas num novo estudo publicado na revista Physical Review Letters, onde foi selecionado como Sugestão dos Editores.
Muitos métodos comuns de IA baseiam-se no princípio da aprendizagem automática supervisionada: um modelo - por exemplo, uma rede neural - é especificamente treinado para prever diretamente uma determinada quantidade-alvo. Um exemplo que ilustra esta abordagem é o reconhecimento de imagens, em que são mostradas ao sistema de IA várias imagens em que se sabe se está ou não representado um gato. Com base nisto, o sistema aprende a identificar gatos em imagens novas e não vistas anteriormente. "No entanto, uma abordagem tão direta é difícil no caso do potencial químico, porque a sua determinação requer normalmente algoritmos computacionalmente dispendiosos", diz o Prof. Dr. Matthias Schmidt, Presidente da cadeira de Física Teórica II da Universidade de Bayreuth. Dr. Matthias Schmidt e o seu investigador associado, Dr. Florian Sammüller, abordam este desafio com o seu método de IA recentemente desenvolvido. Este método baseia-se numa rede neuronal que incorpora a estrutura teórica dos líquidos - e, de um modo mais geral, da matéria mole - permitindo-lhe prever as suas propriedades com grande exatidão.
"O que o nosso método tem de especial é o facto de a IA não aprender o potencial químico de todo", explica Schmidt. Em vez disso, a IA aprende o funcional de densidade universal, que capta as relações físicas fundamentais dentro de um líquido e permanece o mesmo em muitos sistemas diferentes. "Isto pode ser ilustrado pela comparação de diferentes superfícies revestidas com o mesmo líquido. Embora as superfícies possam diferir em termos de estrutura ou material, o líquido continua a seguir as mesmas leis físicas subjacentes. Estas propriedades 'intrínsecas' do líquido correspondem ao funcional de densidade universal que é captado através da aprendizagem automática", afirma Schmidt.
Entre o funcional de densidade aprendido e as propriedades observáveis de um sistema - como o perfil de densidade das partículas e o potencial externo - persiste uma diferença. Esta lacuna não é colmatada pelo modelo de IA, mas sim por princípios físicos: a partir de considerações gerais de estabilidade termodinâmica, conclui-se que esta diferença remanescente corresponde exclusivamente ao potencial químico.
"O nosso método combina a aprendizagem baseada em dados com conhecimentos fundamentais da física teórica: o funcional de densidade derivado da IA fornece um quadro universal, enquanto o próprio potencial químico é derivado de condições físicas estabelecidas. Esta abordagem permite determinar o potencial químico indiretamente, mas de forma consistente, sem ter de o treinar explicitamente", observa Sammüller. E acrescenta: "Em termos de reconhecimento de imagens, seria quase como se uma IA pudesse reconhecer gatos sem nunca os ter visto durante o treino".
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
