Un nuevo enfoque permite predecir con precisión la transición de fase
18.02.2025
Combinando conceptos de la física estadística con el aprendizaje automático, investigadores de la Universidad de Bayreuth han demostrado que es posible predecir con gran precisión y eficacia si una sustancia será líquida o gaseosa en determinadas condiciones. Los resultados se publican en la revista Physical Review X.
En determinadas condiciones, el agua puede existir como líquido y como gas al mismo tiempo, por ejemplo en la formación de nubes: Dependiendo de la temperatura, el vapor de agua del aire se condensa en gotas líquidas. La teoría de la separación de fases explica por qué y cómo un líquido y su vapor pueden dividirse en dos fases separadas: líquido y gas. Las observaciones experimentales de Thomas Andrews a finales del siglo XIX identificaron la existencia del punto crítico y poco después Johannes Diderik van der Waals (Premio Nobel 1910) describió la separación de fases mediante un sencillo modelo teórico. La teoría de Van der Waals sobre la separación de fases es material de manual, pero se basa en burdas aproximaciones. Sigue siendo difícil predecir si una sustancia será líquida o gaseosa en unas condiciones determinadas. Las teorías estadísticas modernas, como la teoría funcional de la densidad clásica, van mucho más allá, pero también se basan en aproximaciones difíciles de controlar. El Dr. Florian Sammüller y el Prof. Dr. Matthias Schmidt de la Cátedra de Física Teórica II de la Universidad de Bayreuth, junto con el físico británico Prof. emérito Robert Evans FRS, fundador de la teoría funcional de la densidad clásica, han desarrollado un nuevo enfoque que permite predecir con precisión la transición de fase. Lo lograron combinando la física teórica y una denominada red neuronal: un modelo informático formado por “células nerviosas” artificiales que están conectadas entre sí y procesan información.
En su estudio, los investigadores combinaron la potente descripción teórica con la precisión de las simulaciones por ordenador. Los datos de entrada de una red neuronal están vinculados a una “relación funcional” formulada por Evans en 1979, según la cual todas las propiedades de un sistema están determinadas únicamente por la densidad de partículas. “Hasta ahora, las relaciones funcionales estaban reservadas al modelado mediante la intuición física y el trabajo con lápiz y papel. El aprendizaje automático permite ahora superar las limitaciones asociadas mejorando enormemente la precisión. Una gran cantidad de suposiciones que sólo se sospechaban desde van der Waals pueden investigarse cuantitativamente y, sorprendentemente, confirmarse en gran medida de forma muy clara”, afirma Schmidt.
