Um problema com 150 anos resolvido com recurso à IA
Nova abordagem permite previsões exactas da transição de fase
Combinando conceitos da física estatística com a aprendizagem automática, os investigadores da Universidade de Bayreuth demonstraram que é agora possível fazer previsões altamente precisas e eficientes sobre se uma substância é líquida ou gasosa em determinadas condições. Os investigadores apresentam os seus resultados na revista Physical Review X.
Em certas condições, a água pode ser líquida e gasosa ao mesmo tempo, por exemplo, quando forma nuvens: dependendo da temperatura, o vapor de água condensa-se em gotículas no ar. A teoria da separação de fases explica porquê e como um líquido e o seu vapor podem dividir-se em duas fases diferentes - líquida e gasosa. As observações experimentais de Thomas Andrews no final do século XIX indicaram a existência de uma temperatura crítica e, pouco depois, Johannes Diderik van der Waals (Prémio Nobel 1910) descreveu a separação de fases utilizando um modelo teórico simples. A teoria da separação de fases de Van der Waals tem um carácter didático, mas baseia-se em aproximações grosseiras. Continua a ser difícil prever se uma substância será líquida ou gasosa em determinadas condições. As teorias estatísticas modernas, como a teoria clássica do funcional da densidade, vão muito mais longe, mas também se baseiam em aproximações difíceis de controlar. O Dr. Florian Sammüller e o Prof. Dr. Matthias Schmidt da Cátedra de Física Teórica II da Universidade de Bayreuth, juntamente com o físico britânico Prof. emérito Robert Evans FRS, o fundador da teoria clássica do funcional da densidade, desenvolveram uma nova abordagem que permite previsões exactas da transição de fase. Conseguiram-no combinando física teórica e uma rede neural - um modelo informático constituído por "células nervosas" artificiais que estão ligadas entre si e processam informação.
No seu estudo, os investigadores combinaram a poderosa descrição teórica com a precisão das simulações em computador. Os dados de entrada da rede neuronal estão ligados de acordo com uma "relação funcional" formulada por Evans em 1979, segundo a qual todas as propriedades de um sistema são determinadas unicamente pela densidade das partículas. "Até agora, as relações funcionais estavam reservadas à modelação por intuição física e ao trabalho com papel e caneta. A aprendizagem automática permite agora ultrapassar as limitações associadas e melhorar enormemente a precisão. Uma série de suposições que só podiam ser supostas desde van der Waals podem agora ser analisadas quantitativamente e, surpreendentemente, na sua maioria, muito claramente confirmadas", diz Schmidt.
A metodologia híbrida utilizada, que combina a aprendizagem automática e a teoria dos fluidos, oferece um vasto potencial de aplicação futura na modelação versátil do comportamento das substâncias e dos fenómenos que nelas ocorrem, tais como a molhagem de substratos, o comportamento capilar nos poros ou os fenómenos de desmistura. "A física teórica, em particular a mecânica estatística dos fluidos, oferece uma grande quantidade de testes concretos sob a forma de equações rigorosamente válidas que podem ser utilizadas para avaliar e, em última análise, controlar a qualidade das previsões da IA", acrescenta Sammüller.
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 Alemão pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
