&bala; Física 18, 17
A teoria convencional tem dificuldade em prever as condições que farão com que um líquido ferva, mas uma abordagem baseada em redes neurais tem melhor desempenho.
É surpreendentemente difícil prever se uma substância será líquida ou gasosa sob determinadas condições. Agora os pesquisadores demonstraram melhores previsões de transição de fase aplicando uma técnica desenvolvida recentemente que combina uma abordagem teórica padrão com uma rede neural (1). Seus resultados para uma substância modelo concordam com as simulações, mesmo para regimes que não foram incluídos no conjunto de treinamento da rede neural. Os pesquisadores esperam que a nova técnica seja amplamente utilizada por cientistas que tentam compreender o comportamento de líquidos e gases.
Na química aplicada e na ciência dos materiais, uma abordagem matemática chamada teoria clássica do funcional da densidade (DFT) permite aos pesquisadores prever o comportamento de um sistema de partículas em interação. As partículas são substitutos de átomos ou moléculas que poderiam formar coletivamente um líquido ou um gás, por exemplo. A teoria afirma que o estado de energia mais baixa de um sistema em equilíbrio pode ser calculado encontrando a distribuição 3D de partículas que minimiza uma quantidade chamada funcional de energia livre. Este funcional reflete as várias maneiras pelas quais as partículas podem interagir.
Mas criar um funcional que forneça previsões precisas para um grande número de partículas – mesmo que a interação seja considerada tão simples como a das bolas de bilhar – é um grande desafio, diz Florian Sammüller, da Universidade de Bayreuth, na Alemanha. Dadas essas dificuldades, as previsões para átomos reais são ainda mais difíceis. “A DFT clássica é conceitualmente poderosa”, diz ele, “mas precisamos de aproximações para fazer previsões reais, e encontrar boas aproximações acaba sendo muito difícil para materiais realistas. Portanto, o progresso na área tem sido lento.”
Uma abordagem para este problema é simular as interações de um sistema de partículas e então usar esses resultados para construir um funcional de energia livre. Mas tais esforços, diz Sammüller, exigem grandes quantidades de recursos computacionais e muitas vezes fornecem apenas dicas do comportamento geral. Além disso, não existem atalhos que permitam prever como um fluido mudará conforme a temperatura muda. “Normalmente é necessário fazer outra simulação” para cada temperatura, diz ele.
Em trabalhos anteriores, Sammüller e colegas deram uma prova de princípio de uma forma mais poderosa de usar simulações computacionais para melhorar a confiabilidade da DFT. Em vez de usar simulações como fonte de insights para ajudar a refinar sua escolha do funcional de energia livre, eles usaram simulações para treinar uma rede neural para estimar esse funcional diretamente. É importante ressaltar que nos dados de treinamento eles incluíram resultados de simulações executadas em diversas temperaturas e outras condições. Eles então usaram essa rede treinada como um substituto para o funcional de energia livre no cálculo da DFT.
Os pesquisadores já demonstraram a eficácia desta abordagem para um sistema modelo simples – um gás de partículas esféricas duras que interagem apenas quando colidem (2). Mas este sistema simples não pode exibir ambas as fases líquida e gasosa. A equipe agora aplicou o método a um modelo de fluido mais realista, chamado fluido de Lennard-Jones truncado. Neste modelo, as partículas interagem aos pares, repelindo-se em distâncias curtas, atraindo-se em distâncias um pouco maiores e tendo interação zero nas distâncias maiores. Com base em extensas simulações, os físicos já entendem detalhadamente o comportamento desse modelo mais complexo.
Para aplicar sua técnica de aprendizado de máquina, os pesquisadores realizaram primeiro cerca de 900 simulações distintas do fluido modelo sob diferentes condições físicas, incluindo uma ampla faixa de temperaturas, e usaram esses dados para treinar sua rede neural. Eles então usaram essa rede em um cálculo DFT para estimar uma variedade de propriedades de fluidos. Eles descobriram que a nova abordagem deu resultados que concordam estreitamente com as simulações anteriores, incluindo a captura de detalhes precisos da transição líquido-gás e sua dependência da temperatura e outras condições.
De certa forma, o sucesso foi ainda melhor do que o esperado. Por exemplo, a equipe estava inicialmente preocupada em aplicar a rede neural a condições para as quais não existe líquido ou gás estável. “Nas simulações, a rede nunca viu tais casos, então por que sua previsão deveria fazer algum sentido?” Sammuller diz. “Mas essas preocupações revelaram-se infundadas.”
A precisão da técnica é “nada menos que surpreendente”, diz o físico teórico Andrew Parry, do Imperial School London. “A combinação de aprendizado de máquina e DFT clássica descrita neste artigo é reveladora”, diz ele, “e não há razão para pensar que a abordagem não possa ser usada para fluidos mais complexos. Tenho certeza de que a técnica será rapidamente adotada pela comunidade.”
Um próximo passo óbvio, diz Sammüller, é aplicar o método a fluidos mais realistas e complicados, como água ou misturas moleculares. “Uma coisa boa sobre a DFT clássica é que ela é bastante geral”, acrescenta ele, “então esperamos que técnicas muito semelhantes funcionem para esses casos mais sofisticados”.
–Mark Buchanan
Mark Buchanan é um escritor científico freelance que divide seu tempo entre Abergavenny, no Reino Unido, e Notre Dame de Courson, na França.
Referências
- F. Sammuller e outros.“Teoria do funcional da densidade neural da coexistência da fase líquido-gás,” Física. Rev. 15011013 (2025).
- F. Sammuller e outros.“Teoria funcional neural para fluidos não homogêneos: fundamentos e aplicações,” Processo. Nacional. Acad. Ciência. EUA 120e2312484120 (2023).
