Гранулированная материя окружает нас повсюду. Примерами могут служить песок, рис, орехи, кофе и даже снег. Эти материалы состоят из твердых частиц, которые достаточно велики, чтобы не испытывать тепловых колебаний. Вместо этого их состояние определяется механическими воздействиями: при встряхивании образуются "гранулированные газы", в то время как при сжатии получаются "гранулированные твердые вещества". Необычной особенностью таких твердых тел является то, что силы внутри материала концентрируются по существу по линейным траекториям, называемым силовые цепи чья форма напоминает форму молнии. Помимо гранулированных твердых веществ, другие сложные твердые вещества, такие как плотные эмульсии, пены и даже группы клеток, могут проявлять эти силовые цепи Исследователи во главе с Геттингенским университетом использовали машинное обучение и компьютерное моделирование для прогнозирования положения силовых цепей. Результаты были опубликованы в Сообщения о природе.
Формирование силовых цепочек очень чувствительно к тому, как взаимодействуют отдельные зерна. Это очень затрудняет предсказание того, где будут формироваться силовые цепочки. Объединив компьютерное моделирование с инструментами искусственного интеллекта, исследователи из Института теоретической физики Геттингенского университета и Университета Гента решили эту проблему, разработав новый инструмент для прогнозирования формирования силовых цепей как в зернистом веществе без трения, так и в гранулированном веществе, подверженном трению. В этом подходе используется метод машинного обучения, известный как графовая нейронная сеть (GNN). Исследователи продемонстрировали, что GNNS можно обучить контролируемому подходу для прогнозирования положения силовых цепей, возникающих при деформации гранулированной системы, учитывая недеформированную статическую структуру.
"Понимание силовых цепочек имеет решающее значение для описания механических и транспортных свойств гранулированных твердых тел, и это применимо в широком диапазоне обстоятельств - например, как распространяется звук или как песок или пачка кофейных зерен реагируют на механическую деформацию", - объясняет доктор Ритупарно Мандал, Институт теоретической физики Геттингенского университета. Мандал добавляет: "Недавнее исследование даже предполагает, что живые существа, такие как муравьи, используют эффекты силовых цепных сетей при удалении частиц почвы для эффективной выемки туннелей".
"Мы экспериментировали с различными инструментами, основанными на машинном обучении, и поняли, что обученный GNN может удивительно хорошо обобщать данные обучения, позволяя ему предсказывать силовые цепочки в новых недеформированных образцах", - говорит Мандал. "Мы были очарованы тем, насколько надежен этот метод: он исключительно хорошо работает для многих типов гранулированных материалов, генерируемых компьютером. В настоящее время мы планируем распространить это на экспериментальные системы в лаборатории", - добавил Корнел Казерт, соавтор исследования из Университета Гента. Старший автор, профессор Питер Соллих, Институт теоретической физики Геттингенского университета, объясняет: "Эффективность этого нового метода удивительно высока для различных сценариев с различным размером системы, плотностью частиц и составом различных типов частиц. Это означает, что он будет полезен для понимания силовых цепочек для многих типов гранулированной материи и систем".
Комментарии