Gran avance en la descripción de la materia blanda mediante IA

"Esta poderosa combinación de técnicas básicas esencialmente sencillas ha abierto un nuevo capítulo en la teoría funcional de la densidad"

14.12.2023

Científicos de Bayreuth han desarrollado un nuevo método de estudio de la materia líquida y blanda basado en la inteligencia artificial. En un estudio publicado ahora en la revista "Proceedings of the National Academy of Sciences of the United States of America" (PNAS), abren un nuevo capítulo en la teoría funcional de la densidad con su "teoría funcional neuronal".

Computer-generated image

Imagen simbólica

Vivimos en un mundo altamente tecnologizado en el que la investigación básica es el motor de la innovación, en una densa y compleja red de interrelaciones e interdependencias. La investigación publicada aporta nuevos métodos que pueden tener una gran influencia en las técnicas de simulación generalizadas, de modo que las sustancias complejas puedan investigarse en ordenadores con mayor rapidez, precisión y profundidad. En el futuro, esto podría influir en el diseño de productos y procesos. El hecho de que la estructura de los líquidos pueda representarse de forma excelente mediante las relaciones matemáticas neuronales recién formuladas es un gran avance que abre un abanico de posibilidades para obtener conocimientos físicos profundos.

"En el estudio, demostramos cómo puede utilizarse la inteligencia artificial para llevar a cabo la física teórica fundamental que aborda el comportamiento de los fluidos y otros sistemas complejos de materia blanda", afirma el Prof. Dr. Matthias Schmidt, Catedrático de Física Teórica II de la Universidad de Bayreuth, y explica: "Hemos desarrollado un método científico avanzado para estudiar la materia a nivel atómico y (macro)molecular, combinando el aprendizaje automático y los métodos matemáticos para calcular propiedades físicas complejas."

Los investigadores de Bayreuth presentan un esquema híbrido basado en la teoría funcional de la densidad clásica y el aprendizaje automático para determinar la estructura de equilibrio y la termodinámica de fluidos sometidos a diversas influencias. Schmidt informa: "Demostramos el uso del funcional neural en el cálculo autoconsistente de perfiles de densidad. La calidad de los resultados supera el estado del arte de la teoría funcional de la densidad de medida fundamental. Los resultados establecen el aprendizaje automático de funcionales como una herramienta eficiente para la descripción multiescala de la materia blanda." Así, se obtienen conocimientos fundamentales sobre la estructura de la materia. El tipo de materia puede ser mundano, pero también puede ser la base de procesos tecnológicos y productos comerciales. "Esta poderosa combinación de técnicas básicas esencialmente sencillas ha abierto un nuevo capítulo en la teoría del funcional de la densidad", afirma Schmidt, "porque las redes entrenadas mediante datos de simulación son más precisas que las mejores aproximaciones teóricas actuales diseñadas 'a mano', es decir, con papel y lápiz."

Schmidt subraya: "Además de la importancia para el campo concreto de la mecánica estadística de la materia blanda, creo que nuestro método también plantea cuestiones fundamentales sobre la autocomprensión humana de nuestra actividad intelectual. En lo que a mí respecta, nuestro estudio permite albergar considerables esperanzas de una evolución en la que la inteligencia artificial, en lugar de sustituirnos, nos amplíe de un modo que me parece muy sorprendente."

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Publicación original

Más noticias del departamento ciencias

Noticias más leídas

Más noticias de nuestros otros portales

Todos los fabricantes de espectrómetros FT-IR de un vistazo