Umělá inteligence se naučila termodynamiku: Přelom v modelování polymerů otevírá cestu k novým materiálům

Materiáloví vědci se po více než půl století potýkali s výzvou, jak přesně simulovat komplexní polymerní materiály. Jednotlivý polymerní řetězec může obsahovat desítky tisíc atomů a tavenina nebo kompozit miliardy.

Materiáloví vědci se po více než půl století potýkali s výzvou, jak přesně simulovat komplexní polymerní materiály. Jednotlivý polymerní řetězec může obsahovat desítky tisíc atomů a tavenina nebo kompozit miliardy. Vlastnosti, které jsou pro inženýry klíčové – například jak lepidlo přilne k povrchu, jak se samoorganizující blokový kopolymer uzamkne do nanostruktury, nebo jak se biopolymerní film roztahuje bez trhání – se projevují v měřítcích, kterých nelze dosáhnout pouhou atomistickou simulací.

Standardním řešením je zjednodušení na hrubší zrno, kdy se skupiny atomů nahrazují jednoduššími mezoskopickými částicemi, aby byl model dostatečně rychlý. Háček je v tom, že tato komprese téměř vždy obětuje fyzikální přesnost. Konvenční zjednodušené polymerní modely obvykle dokážou reprodukovat rovnovážnou strukturu nebo dynamiku ve velkém měřítku, ale zřídka obojí. Navíc běžně selhávají v zachycení entropických a viskózních sil, které řídí, jak polymery skutečně tečou, relaxují a rozptylují energii. Právě tyto síly určují mechanický výkon a právě tyto síly mají tendenci narušovat i tradiční přístupy strojového učení.

Tým z Carnegie Mellon University a University of Pennsylvania nyní představil nový rámec strojového učení, který umožňuje zjednodušeným modelům dosáhnout obojího najednou. Vyvinuli architekturu umělé inteligence, která se učí dynamiku s hrubším zrnem přímo z dat, ať už simulovaných nebo experimentálních, přičemž je matematicky neschopná porušit zákony termodynamiky. Klíčový poznatek nevzešel ze strojového učení, ale z desetiletí výzkumu polymerní fyziky. Rámec je postaven na „metripletickém závorkovém formalismu“, matematické struktuře původně vyvinuté v komunitě nerovnovážné termodynamiky a komplexních tekutin pro popis toku a deformace polymerů a dalších měkkých materiálů. Přeložením této struktury do kostry neuronové sítě vytvořili vědci základ pro trénink modelů strojového učení, které zaručeně zachovávají energii a dodržují druhý termodynamický zákon ještě předtím, než se jediný parametr přizpůsobí datům.

Druhou inovací je způsob, jakým rámec pracuje s tím, co nelze změřit. Entropie a vnitřní mikrostruktura jsou v experimentu prakticky nemožné přímo označit. Samoučící se strategie týmu umožňuje síti objevit tyto skryté proměnné sama, jednoduše sledováním pohybu částic. To umožňuje trénovat prediktivní modely přímo z experimentálních trajektorií, nikoli pouze z drahých atomistických simulací.

Vědci metodu otestovali na dvou náročných případech. U hvězdicových polymerů, což jsou rozvětvené architektury, jejichž dynamika vzdoruje většině strategií zjednodušeného modelování, rámec obnovil jak radiální strukturu, tak nerovnovážnou dynamiku napříč agresivními úrovněmi zjednodušení, kde selhaly nejmodernější základní modely grafových neuronových sítí. U husté koloidní suspenze snímané při oscilačním střihu se rámec naučil model přímo z vysokorychlostního videa, který zachytil vzácné, lokalizované události přeskupování pohánějící vznikající tok, což je dlouho hledané propojení mezi mikrostrukturou a makroskopickou reologií.