Notizia

Jan 08, 2024

Determinazione delle reti neurali delle costanti elastiche e delle strutture dei materiali nei fluidi complessi nematici

Scientific Reports volume 13,

Rapporti scientifici volume 13, numero articolo: 6028 (2023) Citare questo articolo

759 accessi

1 Altmetrico

Dettagli sulle metriche

Gli approcci di apprendimento automatico supervisionato e di rete neurale artificiale possono consentire la determinazione di parametri o strutture materiali selezionati da un segnale misurabile senza conoscere l'esatta relazione matematica tra loro. Qui, dimostriamo che le costanti elastiche nematiche del materiale e la configurazione iniziale del materiale strutturale possono essere trovate utilizzando reti neurali sequenziali applicate all'intensità della luce dipendente dal tempo trasmessa attraverso il campione di cristalli liquidi nematici (NLC) sotto polarizzatori incrociati. Nello specifico, simuliamo più volte il rilassamento dell'NLC da uno stato iniziale casuale (qeunched) all'equilibrio per valori casuali delle costanti elastiche e, contemporaneamente, la trasmittanza del campione per la luce polarizzata monocromatica. Le trasmittanze luminose dipendenti dal tempo ottenute e le corrispondenti costanti elastiche formano un set di dati di addestramento su cui viene addestrata la rete neurale, che consente la determinazione delle costanti elastiche, nonché dello stato iniziale del direttore. Infine, dimostriamo che la rete neurale addestrata su esempi generati numericamente può essere utilizzata anche per determinare costanti elastiche da dati misurati sperimentalmente, trovando un buon accordo tra gli esperimenti e le previsioni della rete neurale.

I metodi di machine learning (ML) sono sempre più utilizzati in diversi contesti della fisica dei materiali, ad esempio per la scoperta di nuovi materiali con proprietà desiderate1,2, per l'identificazione di fasi, transizioni di fase3,4 e parametri d'ordine per diverse Hamiltoniane5. Nelle sospensioni di particelle browniane attive, l'appartenenza delle singole particelle a possibili fasi può essere prevista dalle loro caratteristiche individuali utilizzando reti neurali artificiali6. La ML è utilizzata nella modellazione di strutture di lipidi autoassemblati7, nella caratterizzazione di sistemi colloidali tridimensionali8, nell'analisi della struttura locale complessa di polimeri a cristalli liquidi9, nell'accelerazione di simulazioni di fluidi10 e altra materia morbida, ad esempio materia attiva11 compresi nematici attivi12,13, 14. Gli algoritmi di deep learning stanno diventando utili strumenti analitici anche per l'analisi di immagini microscopiche15,16 e il tracciamento di micro-pratiche17. Le reti neurali possono essere impiegate per stimare il numero di Reynolds per i flussi attorno ai cilindri18 e anche per la previsione della resistenza di forme 2D arbitrarie nel flusso laminare con un numero di Reynolds basso19. Gli algoritmi ML possono essere sfruttati per determinare il parametro d'ordine, la temperatura di un campione20, le fasi21 e le temperature di transizione di fase22 dei cristalli liquidi, nonché le lunghezze primitive dei cristalli liquidi colesterici23 da immagini al microscopio a luce polarizzata, nonché per identificare tipi di difetti topologici negli NLC dal campo direttore noto24 o per prevedere il calore specifico di proteine ​​di nuova concezione25. Gli algoritmi ML, in particolare le macchine vettoriali a supporto lineare, sono stati impiegati anche come classificatori per ottimizzare i sensori chimici automatizzati basati su cristalli liquidi26. Inoltre, combinando l’osservazione delle goccioline di cristalli liquidi e l’apprendimento automatico, è possibile identificare e quantificare le endotossine di diverse specie batteriche27.

L'equilibrio della materia soffice è a livello mesoscopico determinato dal minimo dell'energia libera totale e, per i fluidi complessi nematici, l'energia libera elastica principale è determinata da tre costanti elastiche \(K_{11}\), \(K_{ 22}\) e \(K_{33}\) che sono attribuiti ai tre modi elastici fondamentali: divaricazione, torsione e piegatura, rispettivamente. Le tecniche comuni e consolidate per misurare le costanti elastiche si basano sulla transizione di Fréedericksz28, dove il brusco cambiamento del campo del direttore dell'ordinamento molecolare può essere rilevato mediante misurazioni ottiche o calorimetriche. Tipicamente, è necessaria una cella specifica per misurare una costante elastica distinta; tuttavia, i metodi che includono celle ibride consentono la misurazione simultanea di tutte e tre le costanti elastiche29. La misurazione può anche essere eseguita in modo completamente ottico utilizzando raggi laser polarizzati che inducono la transizione ottica di Fréedericksz30 o confrontando le transizioni strutturali in campioni sperimentali e goccioline LC colesteriche simulate numericamente sotto campo elettrico31. Più impegnativo della misurazione dei parametri del materiale, come le costanti elastiche, può essere il riconoscimento della struttura direttrice dei cristalli liquidi. I profili orientativi spaziali tridimensionali dei cristalli liquidi possono essere determinati dalla dipendenza angolare della fluorescenza nei nematici utilizzando la microscopia confocale polarizzante fluorescente (FCPM)32,33 o in alternativa, il tensore dielettrico e il corrispondente campo direttore possono essere ricostruiti mediante approcci tomografici34.