Un problema de hace 150 años resuelto con IA
Un nuevo enfoque permite predecir con precisión la transición de fase
Combinando conceptos de la física estadística con el aprendizaje automático, investigadores de la Universidad de Bayreuth han demostrado que es posible predecir con gran precisión y eficacia si una sustancia será líquida o gaseosa en determinadas condiciones. Los resultados se publican en la revista Physical Review X.
En determinadas condiciones, el agua puede existir como líquido y como gas al mismo tiempo, por ejemplo en la formación de nubes: Dependiendo de la temperatura, el vapor de agua del aire se condensa en gotas líquidas. La teoría de la separación de fases explica por qué y cómo un líquido y su vapor pueden dividirse en dos fases separadas: líquido y gas. Las observaciones experimentales de Thomas Andrews a finales del siglo XIX identificaron la existencia del punto crítico y poco después Johannes Diderik van der Waals (Premio Nobel 1910) describió la separación de fases mediante un sencillo modelo teórico. La teoría de Van der Waals sobre la separación de fases es material de manual, pero se basa en burdas aproximaciones. Sigue siendo difícil predecir si una sustancia será líquida o gaseosa en unas condiciones determinadas. Las teorías estadísticas modernas, como la teoría funcional de la densidad clásica, van mucho más allá, pero también se basan en aproximaciones difíciles de controlar. El Dr. Florian Sammüller y el Prof. Dr. Matthias Schmidt de la Cátedra de Física Teórica II de la Universidad de Bayreuth, junto con el físico británico Prof. emérito Robert Evans FRS, fundador de la teoría funcional de la densidad clásica, han desarrollado un nuevo enfoque que permite predecir con precisión la transición de fase. Lo lograron combinando la física teórica y una denominada red neuronal: un modelo informático formado por "células nerviosas" artificiales que están conectadas entre sí y procesan información.
En su estudio, los investigadores combinaron la potente descripción teórica con la precisión de las simulaciones por ordenador. Los datos de entrada de una red neuronal están vinculados a una "relación funcional" formulada por Evans en 1979, según la cual todas las propiedades de un sistema están determinadas únicamente por la densidad de partículas. "Hasta ahora, las relaciones funcionales estaban reservadas al modelado mediante la intuición física y el trabajo con lápiz y papel. El aprendizaje automático permite ahora superar las limitaciones asociadas mejorando enormemente la precisión. Una gran cantidad de suposiciones que sólo se sospechaban desde van der Waals pueden investigarse cuantitativamente y, sorprendentemente, confirmarse en gran medida de forma muy clara", afirma Schmidt.
La metodología híbrida utilizada, que combina el aprendizaje automático y la teoría de fluidos, ofrece un amplio potencial de aplicación futura en el modelado flexible del comportamiento de las sustancias y los fenómenos que se producen en ellas, como la humectación de sustratos, el comportamiento capilar en poros o los fenómenos de desmezcla. "La física teórica, en concreto la mecánica estadística de fluidos, ofrece una gran cantidad de pruebas concretas en forma de ecuaciones rigurosas que permiten evaluar y, en última instancia, controlar la calidad de las predicciones de la IA", añade Sammüller.
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
