Durchbruch für die Untersuchung von Flüssigkeiten durch KI
„Diese schlagkräftige Kombination von im Grunde einfachen Basistechniken hat ein neues Kapitel der Dichtefunktionaltheorie aufgeschlagen“
Bayreuther Wissenschaftler*innen entwickeln eine neue Methode für die Untersuchung von flüssiger und weicher Materie mittels Künstlicher Intelligenz. In einer jetzt im Magazin „Proceedings of the National Academy of Sciences of the United States of America“ (PNAS) veröffentlichten Studie öffnen sie mit der "Neuronalen Funktionaltheorie" ein neues Kapitel der Dichtefunktionaltheorie.
Symbolbild
Computer-generated image
Wir leben in einer hochtechnologisierten Welt, in der Grundlagenforschung Motor von Innovation ist, in einem dichten und komplexen Gefüge von Zusammenhängen und Abhängigkeiten. Dies publizierte Forschung stellt neue Methoden zur Verfügung, die großen Einfluss haben können auf weit verbreitete Simulationstechniken, so dass man komplexe Substanzen am Computer schneller, genauer und weitreichender untersuchen kann. Dies könnte perspektivisch Einfluss auf Produkt- und Prozessgestaltung haben. Dass sich die Struktur von Flüssigkeiten nun so vorzüglich repräsentieren lässt durch die neu formulierten neuronalen mathematischen Beziehungen, ist ein großer Durchbruch, der eine Bandbreite von Möglichkeiten zur Gewinnung von tiefen physikalischen Einsichten eröffnet.
„In der Studie zeigen wir modellhaft, wie künstliche Intelligenz verwendet werden kann, um fundamentale Theoretische Physik zu betreiben. Betrachtet und behandelt wird dabei das Verhalten von Flüssigkeiten und weiteren komplexen Systemen der weichen Materie“, sagt Prof. Dr. Matthias Schmidt, Inhaber des Lehrstuhls Theoretische Physik II an der Universität Bayreuth, und erläutert: „Wir haben ein fortgeschrittenes wissenschaftliches Verfahren zur Untersuchung von Materie auf atomarer und (makro)molekularer Ebene entwickelt, wobei maschinelles Lernen und mathematische Methoden kombiniert werden, um komplexe physikalische Eigenschaften zu berechnen.“
Die Bayreuther Forscher*innen präsentieren ein Hybridschema, basierend auf klassischer Dichtefunktionaltheorie und maschinellem Lernen, zur Bestimmung der Gleichgewichtsstruktur und der Thermodynamik von verschiedenartig zusammengesetzten Fluiden. Schmidt berichtet: „Wir demonstrieren die Verwendung von neuronalen Netzwerken in der selbstkonsistenten Berechnung von Dichteprofilen. Die Qualität der Ergebnisse übertrifft den State-of-the-art der Fundamental-Measure-Dichtefunktionaltheorie. Die Resultate etablieren das maschinelle Lernen von Funktionalen als ein effizientes Werkzeug zur multiskaligen Beschreibung von weicher Materie.“ So werden fundamentale Einsichten in die Struktur von Materie gewonnen. Hierbei kann der Typ von Materie alltäglich sein kann, aber auch die Grundlage von technologischen Prozessen und kommerziellen Produkten bilden. „Diese schlagkräftige Kombination von im Grunde einfachen Basistechniken hat ein neues Kapitel der Dichtefunktionaltheorie aufgeschlagen“, sagt Schmidt, „denn die durch Simulationsdaten trainierten Netzwerke sind genauer als die gegenwärtig ‚von Hand‘, also mit Papier und Bleistift entworfenen theoretischen Näherungen.“
Schmidt betont: „Neben der Bedeutung für das engere Fachgebiet von Statistischer Mechanik von weicher Materie wirft unsere Methode meines Erachtens auch grundlegende Fragen zum menschlichen Selbstverständnis unserer intellektuellen Tätigkeit auf. Für mich selbst gibt unsere Studie viel Hoffnung auf eine positive Entwicklung und dass die Künstliche Intelligenz uns eben gerade nicht ersetzt, sondern eher auf für mich sehr überraschende Weise erweitert.“
Originalveröffentlichung
Florian Sammüller, Sophie Hermann, Daniel de las Heras, Matthias Schmidt; "Neural functional theory for inhomogeneous fluids: Fundamentals and applications"; Proceedings of the National Academy of Sciences, Volume 120, 2023-12-7
Florian Sammüller, Sophie Hermann, and Matthias Schmidt; Why neural functionals suit statistical mechanics; arXiv:2312.04681
Weitere News aus dem Ressort Wissenschaft
Meistgelesene News
Weitere News von unseren anderen Portalen
Zuletzt betrachtete Inhalte
Optische Distanzmessung mit Rekordgeschwindigkeit - Mit Solitonen-Frequenzkämmen aus optischen Mikrochips lassen sich 100 Millionen hochgenaue Distanzmessungen pro Sekunde durchführen
Weltweit erstes Klimaforschungsprojekt mit dem Einsatz einer unbemannten Drohne - Institut für Umweltphysik der Universität Heidelberg beteiligt sich mit optischem Spektrometer an Messflügen
Cisbio international bezieht Fördermittel in Höhe von 1,5 Mio. EUR von der nationalen Forschungsagentur Frankreichs (ANR) - IMI-Projekt (Intracellular Molecular Imaging) von Cisbio setzte sich als eines von 70 Projekten unter 400 Anträgen durch
Chemie in Bewegung - Forscher produzieren erstmals Videos von chemischen Synthesen mit atomarer Auflösung
Bimsstein als Zeitzeuge
Epigenomics AG: Noel Doheny wird neuer CEO der US-Tochtergesellschaft Epigenomics Inc.
Prostatakarzinom viel präziser diagnostizieren
Neanderthaler hatten wahrscheinlich rote Haare
Pharma- und Chemiekonzern Merck setzt auch bei Laborsparte Millipore Rotstift an
Erstes Hai-Genom entschlüsselt - Das Erbgut der Australischen Pflugnasenchimäre liefert wichtige Einblicke in Immunität und Knochenbildung
