Forscher der Universität Bayreuth haben eine künstliche Intelligenz (KI)-Methode entwickelt, die die Berechnung von Flüssigkeitseigenschaften erheblich beschleunigt. Kernstück ist die Vorhersage des chemischen Potentials – einer zentralen Größe für die Beschreibung von Flüssigkeiten im thermodynamischen Gleichgewicht. Die neue Methode, die in der Zeitschrift Physical Review Letters veröffentlicht wurde, nutzt einen neuronalen Netzwerkansatz, der nicht direkt das chemische Potential lernt, sondern stattdessen die universelle Dichtefunktionaltheorie (UDF) erlernt. Diese UDF beschreibt die grundlegenden physikalischen Beziehungen innerhalb von Flüssigkeiten und bleibt unabhängig von spezifischen Systemen konstant – etwa unabhängig von der Oberflächenstruktur, auf der die Flüssigkeit liegt. Prof. Dr. Matthias Schmidt und Dr. Florian Sammüller zeigen, dass die KI durch Einbeziehung der theoretischen Struktur weicher Materie die Dichtefunktionallität mit hoher Genauigkeit erlernt. Anstatt direkt zu lernen, wie das chemische Potential in einem bestimmten System aussieht, lernt das Netzwerk die zugrundeliegenden physikalischen Gesetze, die in allen Flüssigkeitssystemen gelten. Die Differenz zwischen dem gelernten Funktional und beobachtbaren Größen wie Dichteprofil und äußerem Potential wird dann nicht durch KI, sondern durch etablierte thermodynamische Prinzipien geschlossen – insbesondere der Bedingung der thermodynamischen Stabilität. Aus dieser Bedingung folgt, dass das chemische Potential eindeutig bestimmt ist. Dieser Ansatz verbindet datengetriebenes Lernen mit fundamentalem physikalischem Wissen. Er ermöglicht eine indirekte, aber konsistente Berechnung des chemischen Potentials – ohne dass das Modell jemals explizit trainiert wurde, um dieses spezifische Ziel zu erreichen. Schmidt vergleicht dies mit einem Bilderkennungssystem, das Katzen erkennt, ohne jemals eine Katze gesehen zu haben: Es lernt stattdessen die universellen Merkmale, die Katzen ausmachen, und kann sie dann in neuen Kontexten identifizieren. Die Methode ist besonders wertvoll für die Simulation von inhomogenen Flüssigkeiten auf strukturierten Oberflächen, wie sie in Mikrofluidik, Oberflächenphysik oder Materialwissenschaften vorkommen. Durch die Vermeidung rechenintensiver direkter Berechnungen kann die Rechenzeit um Größenordnungen reduziert werden. Industrielle Experten sehen in der Methode eine bedeutende Fortschrittsstufe für die Materialforschung und die Entwicklung neuer Oberflächenmaterialien. Die Kombination von KI mit theoretischer Physik eröffnet neue Wege, komplexe Systeme effizient zu modellieren – ohne die physikalische Konsistenz zu opfern. Die Universität Bayreuth positioniert sich damit als Pionier in der Entwicklung von „physikbasierten KI-Modellen“ für weiche Materie.