编辑 | 白菜叶
拜罗伊特大学（Universität Bayreuth）的科学家开发了一种利用人工智能钻研液体和软物资的新方式，开启了密度泛函表面的新篇章。
我们生活在一个高度技术化的世界，在这个密集而庞大的相互关联的网络中，根源钻研是创新发展的引擎。这里的新方式，可以对广泛的仿照技术产生巨大影响，从而可以在计算机上更快、更精准、更深切地钻研庞大物资。
将来，这可能会对产品和工艺设计产生影响。新制定的神经数学关系可以很好地表示液体的结构，这一事实是一项重大突破，为获得深切的物理见解开辟了一系列可能性。
「在这项钻研中，我们展示了如何利用人工智能来进行根源表面物理学，以解决流体和其他庞大软物资零碎的行为。」拜罗伊特大学表面物理 II 系主任 Matthias Schmidt 教授说，「我们开发了一种先进的科学方式来钻研原子和（微观）分子水平上的物资，结合呆板进修和数学方式来计算庞大的物理特性。」
该钻研以「Neural functional theory for inhomogeneous fluids: Fundamentals and applications」为题，于 2023 年 12 月 7 日发布在《PNAS》。
论文链接：https://www.pnas.org/doi/10.1073/pnas.2312484120
相干模型：https://zenodo.org/records/8380004
经典密度泛函表面 (DFT) 是预测非平均流体平衡的有效方式。然而，仿照丰富的粒子间相干性的泛函的发展仍然是一个重大的表面挑战。
钻研职员提出了一种基于经典密度泛函表面和呆板进修的混合方案，用于确定非平均流体的平衡结构和热力学。从密度分布到单体直接相干函数的精准函数图由深度神经网络局部表示。
钻研职员证实了硬球流体的总体框架，并在训练过程中利用随机外部环境中零碎的大正则蒙特卡罗仿照数据作为参考。函数微积分是在神经网络的根源上实现的，通过自动微分夺取高阶相干函数，并通过函数线积分夺取自由能。热诺特总和规则经过明确验证。该团队演示了神经泛函在密度剖面自洽计算中的利用。结果优于当前最先进的基本测度密度泛函表面的结果。
求解相干欧拉-拉格朗日方程的成本较低，可以在保持接近仿照的微观精度的同时，弥补原始训练数据的零碎规模与微观预测之间的差距。这些结果表明，泛函呆板进修是软物资多尺度描述的有效工具。
拜罗伊特大学的钻研职员还提供了相干教程材料。其中包括 2023 年 12 月 7 日发布在 arXiv 预印平台上的进一步介绍性文章「Why neural functionals suit statistical mechanics」，以及在线提供的编程代码。
论文链接：https://arxiv.org/abs/2312.04681
相干代码：https://github.com/sfalmo/NeuralDFT-Tutorial
相干报道：https://phys.org/news/2023-12-ai-method-soft-chapter-density.html