idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Forscher der Universität Bayreuth haben mithilfe von Künstlicher Intelligenz ein Verfahren entwickelt, das die Berechnung der Eigenschaften von Flüssigkeiten deutlich beschleunigen kann: Die KI-Methode sagt das chemische Potential voraus – eine unabdingbare Größe zur Beschreibung von Flüssigkeiten im thermodynamischen Gleichgewicht. Über ihre Erkenntnisse berichten die Forscher in einer neuen Studie, die im renommierten Fachjournal Physical Review Letters erschienen ist und mit einer Editors‘ Suggestion ausgezeichnet wurde.
Viele gängige KI-Methoden basieren auf dem Prinzip des überwachten maschinellen Lernens: Ein KI-Modell, beispielsweise ein neuronales Netzwerk, wird gezielt darauf trainiert, eine bestimmte gesuchte Größe direkt vorherzusagen. Ein anschauliches Beispiel aus dem Alltag ist die Bilderkennung: Der KI werden zahlreiche Bilder gezeigt, bei denen bekannt ist, ob sie eine Katze enthalten oder nicht. Auf dieser Basis lernt das System, Katzen auf neuen, bislang unbekannten Bildern zu identifizieren. „So eine direkte Vorgehensweise ist für das chemische Potential allerdings ein schwieriger Fall, da für dessen Bestimmung normalerweise rechenintensive Algorithmen nötig sind“, sagt Prof. Dr. Matthias Schmidt, Inhaber des Lehrstuhls Theoretische Physik II an der Universität Bayreuth. Diesen schwierigen Fall gehen er und sein wissenschaftlicher Mitarbeiter Dr. Florian Sammüller mit ihrer neu entwickelten KI-Methode an. Sie basiert auf einem neuronalen Netzwerk, das die theoretische Struktur von Flüssigkeiten und allgemeiner weicher Materie einbaut und somit deren Eigenschaften sehr gut vorhersagen kann.
„Das Besondere an unserer Methode ist, dass die KI überhaupt nicht das chemische Potential lernt“, erklärt Schmidt. Stattdessen lernt die KI das universelle Dichtefunktional, welches grundlegende physikalische Zusammenhänge in einer Flüssigkeit erklärt und über viele verschiedene Systeme hinweg gleich ist. „Anschaulich lässt sich das mit unterschiedlichen Oberflächen vergleichen, die mit derselben Flüssigkeit benetzt sind. Obwohl sich die Oberflächen in Struktur oder Material unterscheiden können, folgt die Flüssigkeit jeweils denselben zugrundeliegenden physikalischen Gesetzmäßigkeiten. Diese ‚intrinsischen‘ Eigenschaften der Flüssigkeit entsprechen dem universellen Dichtefunktional, das maschinell gelernt wird“, sagt Schmidt.
Zwischen dem erlernten Dichtefunktional und beobachtbaren Größen eines Systems, wie dem Dichteprofil der Teilchen und dem externen Potential, bleibt jedoch eine Differenz übrig. Diese wird nicht durch das KI-Modell geschlossen, sondern durch physikalische Prinzipien: Aus allgemeingültigen Überlegungen zur thermodynamischen Stabilität folgt, dass diese verbleibende Differenz eindeutig dem chemischen Potential entspricht.
„Unsere Methode kombiniert datengetriebenes Lernen mit fundamentalen Einsichten der theoretischen Physik: Das KI-Dichtefunktional stellt ein universelles Grundgerüst bereit, das chemische Potential selbst wird jedoch aus etablierten physikalischen Bedingungen abgeleitet. Dieser Ansatz ermöglicht es, das chemische Potential indirekt, aber konsistent zu bestimmen, ohne es explizit antrainieren zu müssen“, sagt Sammüller und fügt hinzu: „Am Beispiel der Bilderkennung wäre das fast so, als ob eine KI Katzen erkennen kann, ohne sie jemals im Training gesehen zu haben.“
Prof. Dr. Matthias Schmidt
Theoretische Physik II
Telefon: 0921 / 55-3313
E-Mail: matthias.schmidt@uni-bayreuth.de
www.mschmidt.uni-bayreuth.de
Originalpublikation: Florian Sammüller & Matthias Schmidt. Determining the chemical potential via universal density functional learning. Phys. Rev. Lett. 136, 068202 (2026)
DOI: https://doi.org/10.1103/7bqn-y2d7
Inhomogene Flüssigkeit auf einem gemusterten Substrat. Das externe Potential Vext beschreibt das gem ...
Copyright: UBT/ Tropfen: Brocken Inaglory
Criteria of this press release:
Journalists
Chemistry, Physics / astronomy
transregional, national
Scientific Publications
German
Inhomogene Flüssigkeit auf einem gemusterten Substrat. Das externe Potential Vext beschreibt das gem ...
Copyright: UBT/ Tropfen: Brocken Inaglory
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
