I ricercatori guidati dall’Università di Göttingen sviluppano un nuovo metodo di apprendimento automatico per comprendere le catene di forze nei solidi granulari bloccati

Le reti neurali predicono le forze nei solidi granulari bloccati
I ricercatori guidati dall’Università di Göttingen sviluppano un nuovo metodo di apprendimento automatico per comprendere le catene di forze

La materia granulare è ovunque intorno a noi. Gli esempi includono sabbia, riso, noci, caffè e persino neve. Questi materiali sono costituiti da particelle solide abbastanza grandi da non subire fluttuazioni termiche. Il loro stato è invece determinato da influenze meccaniche: l’agitazione produce “gas granulari” mentre per compressione si ottengono “solidi granulari”. Una caratteristica insolita di tali solidi è che le forze all’interno del materiale si concentrano lungo percorsi essenzialmente lineari chiamati  catene di forza  la cui forma ricorda quella di un fulmine. Oltre ai solidi granulari, altri solidi complessi come emulsioni dense, schiume e persino gruppi di cellule possono mostrare queste  catene di forza. I ricercatori guidati dall’Università di Göttingen hanno utilizzato l’apprendimento automatico e le simulazioni al computer per prevedere la posizione delle catene di forza. I risultati sono stati pubblicati su Nature Communications .

La formazione di catene di forza è molto sensibile al modo in cui interagiscono i singoli grani. Ciò rende molto difficile prevedere dove si formeranno le catene di forza. Combinando simulazioni al computer con strumenti dell’intelligenza artificiale, i ricercatori dell’Istituto di Fisica Teorica dell’Università di Göttingen e dell’Università di Gand hanno affrontato questa sfida sviluppando un nuovo strumento per prevedere la formazione di catene di forza sia nella materia granulare priva di attrito che in quella per attrito. L’approccio utilizza un metodo di apprendimento automatico noto come rete neurale grafica (GNN). I ricercatori hanno dimostrato che i GNN possono essere addestrati in un approccio supervisionato per prevedere la posizione delle catene di forza che si formano durante la deformazione di un sistema granulare, data una struttura statica indeformata.

“La comprensione delle catene di forza è fondamentale per descrivere le proprietà meccaniche e di trasporto dei solidi granulari e ciò si applica in un’ampia gamma di circostanze, ad esempio come si propaga il suono o come la sabbia o un pacchetto di chicchi di caffè rispondono alla deformazione meccanica”, spiega il dott. Rituparno Mandal , Istituto di Fisica Teorica, Università di Gottinga. Mandal aggiunge: “Uno studio recente suggerisce persino che creature viventi come le formiche sfruttano gli effetti delle reti di catene di forza quando rimuovono i granelli di terreno per un efficiente scavo di tunnel”.

“Abbiamo sperimentato diversi strumenti basati sull’apprendimento automatico e ci siamo resi conto che un GNN addestrato può generalizzare molto bene dai dati di addestramento, consentendogli di prevedere le catene di forza in nuovi campioni non deformati”, afferma Mandal. “Siamo rimasti affascinati dalla robustezza del metodo: funziona eccezionalmente bene per molti tipi di materiali granulari generati dal computer. Al momento stiamo pianificando di estenderlo ai sistemi sperimentali in laboratorio”, ha aggiunto Corneel Casert, primo autore congiunto dell’Università di Ghent. L’autore senior, il professor Peter Sollich, Institute for Theoretical Physics, University of Göttingen, spiega: “L’efficienza di questo nuovo metodo è sorprendentemente alta per diversi scenari con dimensioni del sistema, densità delle particelle e composizione di diversi tipi di particelle variabili.

Lo studio è stato possibile grazie al finanziamento del programma di ricerca e innovazione Orizzonte 2020 dell’Unione europea nell’ambito di una sovvenzione Marie Skłodowska-Curie.