Un problème vieux de 150 ans résolu grâce à l'IA
Une nouvelle approche permet de prédire avec précision la transition de phase
En combinant des concepts de physique statistique et d'apprentissage automatique, des chercheurs de l'université de Bayreuth ont montré qu'il est désormais possible de faire des prédictions très précises et efficaces pour savoir si une substance sera liquide ou gazeuse dans des conditions données. Ils publient leurs résultats dans la revue Physical Review X.
Dans certaines conditions, l'eau peut exister à la fois sous forme liquide et gazeuse, par exemple lors de la formation des nuages : En fonction de la température, la vapeur d'eau présente dans l'air se condense en gouttelettes liquides. La théorie de la séparation des phases explique pourquoi et comment un liquide et sa vapeur peuvent se séparer en deux phases distinctes - liquide et gaz. Les observations expérimentales de Thomas Andrews à la fin du XIXe siècle ont mis en évidence l'existence du point critique et, peu après, Johannes Diderik van der Waals (prix Nobel 1910) a décrit la séparation des phases à l'aide d'un modèle théorique simple. La théorie de Van der Waals sur la séparation des phases est un véritable manuel, mais elle repose sur des approximations grossières. Il reste difficile de prédire si une substance sera liquide ou gazeuse dans des conditions données. Les théories statistiques modernes, telles que la théorie classique de la fonctionnelle de la densité, vont beaucoup plus loin, mais sont également basées sur des approximations difficiles à contrôler. Florian Sammüller et Matthias Schmidt de la chaire de physique théorique II de l'université de Bayreuth, en collaboration avec le physicien britannique Robert Evans FRS, fondateur de la théorie fonctionnelle de la densité classique, ont mis au point une nouvelle approche qui permet de prédire avec précision la transition de phase. Ils y sont parvenus en combinant la physique théorique et ce que l'on appelle un réseau neuronal : un modèle informatique composé de "cellules nerveuses" artificielles qui sont connectées les unes aux autres et traitent l'information.
Dans leur étude, les chercheurs ont combiné la puissance de la description théorique avec la précision des simulations informatiques. Les données d'entrée d'un réseau neuronal sont liées à une "relation fonctionnelle" formulée par Evans en 1979, selon laquelle toutes les propriétés d'un système sont déterminées uniquement par la densité des particules. "Jusqu'à présent, les relations fonctionnelles étaient réservées à la modélisation par l'intuition physique et le travail avec un crayon et du papier. L'apprentissage automatique permet désormais de surmonter les limitations associées et d'améliorer considérablement la précision. Une multitude d'hypothèses qui n'étaient que soupçonnées depuis van der Waals peuvent être étudiées quantitativement et, de manière surprenante, largement confirmées de manière très claire", explique M. Schmidt.
La méthodologie hybride utilisée, qui combine l'apprentissage automatique et la théorie des fluides, offre un large potentiel d'application future dans la modélisation flexible du comportement des substances et des phénomènes qui s'y produisent, tels que le mouillage des substrats, le comportement capillaire dans les pores ou les phénomènes de démixtion. "La physique théorique, en particulier la mécanique statistique des fluides, offre une multitude de tests concrets sous la forme d'équations rigoureuses qui permettent d'évaluer et, en fin de compte, de contrôler la qualité des prédictions de l'IA", ajoute M. Sammüller.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
