Un nuevo método de IA acelera las simulaciones de líquidos
"Este enfoque permite determinar el potencial químico de forma indirecta, pero coherente, sin tener que entrenarlo explícitamente"
Anuncios
Investigadores de la Universidad de Bayreuth han desarrollado un método basado en la inteligencia artificial que puede acelerar considerablemente el cálculo de las propiedades de los líquidos. El método de IA predice el potencial químico, una magnitud indispensable para describir líquidos en equilibrio termodinámico. Los investigadores presentan sus hallazgos en un nuevo estudio publicado en la revista Physical Review Letters, donde fue seleccionado como Sugerencia de los Editores.
Muchos métodos habituales de IA se basan en el principio del aprendizaje automático supervisado: un modelo -por ejemplo, una red neuronal- se entrena específicamente para predecir directamente una determinada cantidad objetivo. Un ejemplo que ilustra este enfoque es el reconocimiento de imágenes, en el que se muestran al sistema de IA numerosas imágenes en las que se sabe si aparece o no un gato. Sobre esta base, el sistema aprende a identificar gatos en imágenes nuevas que no se habían visto antes. "Sin embargo, este enfoque directo resulta difícil en el caso del potencial químico, ya que su determinación suele requerir algoritmos computacionalmente costosos", explica el Prof. Dr. Matthias Schmidt, Catedrático de Física Teórica II de la Universidad de Bayreuth. Él y su investigador asociado, el Dr. Florian Sammüller, abordan este reto con su nuevo método de IA. Se basa en una red neuronal que incorpora la estructura teórica de los líquidos -y, más en general, de la materia blanda-, lo que le permite predecir sus propiedades con gran precisión.
"Lo especial de nuestro método es que la IA no aprende el potencial químico en absoluto", explica Schmidt. En lugar de ello, la IA aprende el funcional de densidad universal, que capta las relaciones físicas fundamentales dentro de un líquido y sigue siendo el mismo en muchos sistemas diferentes. "Esto puede ilustrarse comparando distintas superficies recubiertas con el mismo líquido. Aunque las superficies difieran en estructura o material, el líquido sigue las mismas leyes físicas subyacentes. Estas propiedades 'intrínsecas' del líquido corresponden al funcional de densidad universal que se capta mediante el aprendizaje automático", explica Schmidt.
Entre el funcional de densidad aprendido y las propiedades observables de un sistema -como el perfil de densidad de las partículas y el potencial externo- persiste una diferencia. Esta brecha no la cierra el modelo de IA, sino los principios físicos: de consideraciones generales de estabilidad termodinámica se deduce que esta diferencia restante corresponde únicamente al potencial químico.
"Nuestro método combina el aprendizaje basado en datos con conocimientos fundamentales de física teórica: el funcional de densidad derivado de la IA proporciona un marco universal, mientras que el propio potencial químico se deriva de condiciones físicas establecidas. Este enfoque permite determinar el potencial químico de forma indirecta, pero coherente, sin tener que entrenarlo explícitamente", señala Sammüller. Y añade: "En términos de reconocimiento de imágenes, sería casi como si una IA pudiera reconocer gatos sin haber visto nunca uno durante el entrenamiento".
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
