Ved at kombinere koncepter fra statistisk fysik med maskinlæring har forskere ved University of Bayreuth vist, at meget nøjagtige og effektive forudsigelser nu kan foretages, om et stof vil være flydende eller gasformige under givne betingelser. De har offentliggjort deres fund i Fysisk gennemgang x.
Observation af et glas vand afslører, at vandet findes i to forskellige faser: væske og gas. Selv ved stuetemperatur fordampes vandmolekyler konstant fra overfladen af det flydende vand og passerer ind i gasfasen. På samme tid kondenseres nogle af vandmolekylerne fra gasens tilbage i væsken.
Overgangen fra den ene fase til den anden afhænger af temperatur og tryk. Over en kritisk temperatur forsvinder samtidig sameksistens af gas og væske. Den resulterende superkritiske væske danner ikke længere en grænseflade. Dette er vigtigt for industrielle processer såsom adskillelse, rengøring og produktion.
Forudsigelse af nøjagtigt trykket og temperaturen, dvs. kogepunktet, hvor denne grundlæggende faseovergang forekommer, giver et omfattende billede af den underliggende fysik og en forståelse af den brede vifte af ledsagende fænomener, der også spiller en rolle i industrien.
Under visse betingelser kan der eksistere vand som en væske og en gas på samme tid, for eksempel i skydannelse: afhængigt af temperaturen kondenseres vand i luften til flydende dråber. Teorien om faseseparation forklarer hvorfor og hvordan en væske og dens damp kan opdeles i to separate faser – væske og gas.
Eksperimentelle observationer af Thomas Andrews i slutningen af det 19. århundrede identificerede eksistensen af det kritiske punkt, og kort efterpå beskrev Johannes Diderik van der Waals (Nobelpris 1910) faseseparation ved hjælp af en simpel teoretisk model. Van der Waals ‘teori om faseseparation er lærebogsmateriale, men det er baseret på rå tilnærmelser. Det er stadig vanskeligt at forudsige, om et stof vil være flydende eller gas under givne betingelser. Moderne statistiske teorier, såsom klassisk densitet funktionel teori, går meget længere, men er også baseret på tilnærmelser, der er vanskelige at kontrollere.
Dr. Florian Sammüller og professor Dr. Matthias Schmidt fra formanden for teoretisk fysik II ved University of Bayreuth, sammen med den britiske fysiker, prof. Emeritus Robert Evans FRS, grundlæggeren af den klassiske densitetsfunktionsteori, har udviklet en ny tilgang, der muliggør præcise forudsigelser af faseovergangen. De opnåede dette ved at kombinere teoretisk fysik og et såkaldt neuralt netværk: en computermodel bestående af kunstige “nerveceller”, der er forbundet til hinanden og procesinformation.
Til deres undersøgelse kombinerede forskerne den kraftfulde teoretiske beskrivelse med nøjagtigheden af computersimuleringer. Inputdataene for et neuralt netværk er knyttet til et “funktionelt forhold” formuleret af Evans i 1979, hvorefter alle egenskaber ved et system udelukkende bestemmes af partikeltætheden.
“Indtil nu var funktionelle forhold forbeholdt modellering gennem fysisk intuition og arbejde med pen og papir. Maskinindlæring gør det nu muligt at overvinde de tilknyttede begrænsninger, hvilket forbedrer nøjagtigheden enormt. Et væld af antagelser, der kun er mistænkt siden van der Waals kan blive kvantitativt undersøgt og overraskende i vid udstrækning bekræftet meget tydeligt, ”siger Schmidt.
Den anvendte hybridmetodologi, der kombinerer maskinlæring og fluidteori, tilbyder et bredt fremtidig anvendelsespotentiale i den fleksible modellering af opførsel af stoffer og fænomenerne, der forekommer i dem, såsom befugtning af substrater, kapillær opførsel i porer eller afblanding af fænomener.
“Teoretisk fysik, specifikt den statistiske mekanik af væsker, tilbyder et væld af konkrete tests i form af strenge ligninger, der gør det muligt at vurdere kvaliteten af AI -forudsigelser og i sidste ende kontrolleres,” tilføjer Sammüller.