Un problema vecchio di 150 anni risolto con l'AI
Un nuovo approccio consente di prevedere con precisione la transizione di fase
Combinando i concetti della fisica statistica con l'apprendimento automatico, i ricercatori dell'Università di Bayreuth hanno dimostrato che è ora possibile fare previsioni altamente precise ed efficienti sul fatto che una sostanza sia liquida o gassosa in determinate condizioni. I risultati sono stati pubblicati sulla rivista Physical Review X.
In determinate condizioni, l'acqua può essere liquida e gassosa allo stesso tempo, ad esempio quando si formano le nuvole: a seconda della temperatura, il vapore acqueo si condensa in goccioline nell'aria. La teoria della separazione di fase spiega perché e come un liquido e il suo vapore possono dividersi in due fasi diverse: liquida e gassosa. Le osservazioni sperimentali di Thomas Andrews alla fine del XIX secolo indicarono l'esistenza di una temperatura critica e poco dopo Johannes Diderik van der Waals (Premio Nobel 1910) descrisse la separazione di fase utilizzando un semplice modello teorico. La teoria di Van der Waals sulla separazione di fase ha un carattere da manuale, ma si basa su approssimazioni approssimative. Rimane difficile prevedere se una sostanza sarà liquida o gassosa in determinate condizioni. Le moderne teorie statistiche, come la teoria funzionale della densità classica, si spingono molto oltre, ma si basano anch'esse su approssimazioni difficili da controllare. Il Dr. Florian Sammüller e il Prof. Dr. Matthias Schmidt della Cattedra di Fisica Teorica II dell'Università di Bayreuth, insieme al fisico britannico Prof. emerito Robert Evans FRS, fondatore della teoria funzionale della densità classica, hanno sviluppato un nuovo approccio che consente previsioni precise della transizione di fase. Il risultato è stato ottenuto combinando la fisica teorica e una rete neurale, un modello di computer costituito da "cellule nervose" artificiali collegate tra loro che elaborano informazioni.
Nel loro studio, i ricercatori hanno combinato la potente descrizione teorica con la precisione delle simulazioni al computer. I dati di input della rete neurale sono collegati secondo una "relazione funzionale" formulata da Evans nel 1979, secondo la quale tutte le proprietà di un sistema sono determinate unicamente dalla densità delle particelle. "Finora le relazioni funzionali erano riservate alla modellazione per intuizione fisica e al lavoro con carta e penna. L'apprendimento automatico consente ora di superare le limitazioni associate e di migliorare enormemente la precisione. Un'infinità di ipotesi che potevano essere solo ipotizzate a partire da van der Waals possono ora essere analizzate quantitativamente e, sorprendentemente, per la maggior parte confermate in modo molto chiaro", afferma Schmidt.
La metodologia ibrida utilizzata, che combina apprendimento automatico e teoria dei fluidi, offre un ampio potenziale di applicazione futura nella modellazione versatile del comportamento delle sostanze e dei fenomeni che si verificano in esse, come la bagnatura dei substrati, il comportamento capillare nei pori o i fenomeni di demiscelazione. "La fisica teorica, in particolare la meccanica statistica dei fluidi, offre un'ampia gamma di prove concrete sotto forma di equazioni rigorosamente valide che possono essere utilizzate per valutare e controllare la qualità delle previsioni dell'intelligenza artificiale", aggiunge Sammüller.
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 Tedesco può essere trovato qui.
Pubblicazione originale
Altre notizie dal dipartimento scienza
