拜罗伊特的科学家开发了一种利用人工智能研究液体和软物质的新方法。在《美国国家科学院院刊》上发表的一项研究中，他们开启了密度泛函理论的新篇章。
我们生活在一个高度技术化的世界，基础研究是创新的引擎，在一个密集而复杂的相互关系和相互依赖的网络中。发表的研究提供了新方法，可以对广泛的模拟技术产生巨大影响，从而可以在计算机上更快、更精确、更深入地研究复杂物质。
将来，这可能会对产品和工艺设计产生影响。新制定的神经数学关系可以很好地表示液体的结构，这一事实是一项重大突破，为获得深入的物理见解开辟了一系列可能性。
“在这项研究中，我们展示了如何使用人工智能来开展基础理论物理学，以解决流体和其他复杂软物质系统的行为，”马蒂亚斯·施密特教授说，他是英国大学理论物理 II 系主任。拜罗伊特。“我们开发了一种先进的科学方法来在原子和(宏观)分子水平上研究物质，结合机器学习和数学方法来计算复杂的物理特性。”
拜罗伊特的研究人员提出了一种基于经典密度泛函理论和机器学习的混合方案，以确定流体在各种影响下的平衡结构和热力学。施密特说：“我们演示了神经泛函在密度分布自洽计算中的使用。结果的质量超过了基本测度密度泛函理论的最新水平。结果将泛函机器学习确立为一种软物质多尺度描述的有效工具。”
因此，获得了对物质结构的基本见解。物质的类型可以是平凡的，但它也可以是技术过程和商业产品的基础。施密特说：“这种本质上简单的基本技术的强大组合开启了密度泛函理论的新篇章，因为通过模拟数据训练的网络比当前‘手工’设计的最佳理论近似更准确，即通过纸张和铅笔。
“除了对软物质统计力学特定领域的意义之外，我认为我们的方法还提出了关于人类对智力活动的自我理解的基本问题。对我自己来说，我们的研究为人工智能的发展带来了很大的希望，不是取代我们，而是以一种令我感到非常惊讶的方式扩展我们。”
拜罗伊特大学的研究人员还提供了随PNAS出版物广泛使用的教程材料。这包括发布在arXiv预印本服务器上的进一步介绍性文章(“为什么神经泛函适合统计力学”，作者：Florian Sammüller、Sophie Hermann 和 Matthias Schmidt)以及在线提供的编程代码，感兴趣的人可以自己尝试并工作和。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！