Новости

Jan 08, 2024

Нейронные сети определения упругих постоянных и структур материалов в нематических сложных жидкостях

Научные отчеты, том 13,

Научные отчеты, том 13, Номер статьи: 6028 (2023) Цитировать эту статью

759 Доступов

1 Альтметрика

Подробности о метриках

Подходы контролируемого машинного обучения и искусственных нейронных сетей могут позволить определять выбранные параметры или структуры материала на основе измеримого сигнала, не зная точных математических взаимосвязей между ними. Здесь мы демонстрируем, что упругие константы нематического материала и исходная структурная конфигурация материала могут быть найдены с использованием последовательных нейронных сетей, применяемых к зависящей от времени интенсивности света, передаваемой через образец нематического жидкого кристалла (НЖК) под скрещенными поляризаторами. В частности, мы моделируем многократную релаксацию НЖК из случайного (замороженного) начального состояния к равновесию для случайных значений упругих констант и одновременно коэффициент пропускания образца для монохроматического поляризованного света. Полученные зависящие от времени коэффициенты пропускания света и соответствующие упругие константы образуют обучающий набор данных, на котором обучается нейронная сеть, что позволяет определять упругие константы, а также начальное состояние директора. Наконец, мы демонстрируем, что нейронная сеть, обученная на численно сгенерированных примерах, также может использоваться для определения упругих констант на основе экспериментально измеренных данных, обнаруживая хорошее согласие между экспериментами и предсказаниями нейронной сети.

Методы машинного обучения (МО) все чаще используются в различных контекстах физики материалов, например, для открытия новых материалов с желаемыми свойствами1,2, для идентификации фаз, фазовых переходов3,4 и параметров порядка для нескольких гамильтонианов5. В суспензиях активных броуновских частиц принадлежность одиночных частиц к возможным фазам можно предсказать по их индивидуальным особенностям с помощью искусственных нейронных сетей6. ML используется для моделирования структур самоорганизующихся липидов7, характеристики трехмерных коллоидных систем8, анализа сложной локальной структуры жидкокристаллических полимеров9, ускорения моделирования жидкостей10 и других мягких веществ, например активного вещества11, включая активные нематики12,13, 14. Алгоритмы глубокого обучения также становятся полезными аналитическими инструментами для анализа микроскопических изображений15,16 и отслеживания микрочастиц17. Нейронные сети можно использовать для оценки числа Рейнольдса для обтекания цилиндров18, а также для прогнозирования сопротивления произвольных двумерных форм в ламинарном потоке при низком числе Рейнольдса19. Алгоритмы ML могут использоваться для определения параметра порядка, температуры образца20, фаз21 и температур фазового перехода22 жидких кристаллов, а также длин шага холестерических жидких кристаллов23 по изображениям, полученным микроскопией в поляризованном свете, а также для идентификации типов топологических дефектов в НЖК. из известного управляющего поля24 или для прогнозирования удельной теплоемкости вновь созданных белков25. Алгоритмы машинного обучения, в частности линейные машины опорных векторов, также использовались в качестве классификаторов для оптимизации автоматических химических датчиков на основе жидких кристаллов26. Кроме того, сочетая наблюдение за каплями жидких кристаллов и машинное обучение, можно идентифицировать и количественно определять эндотоксины различных видов бактерий27.

Равновесие мягкого вещества находится на мезоскопическом уровне, определяемом минимумом полной свободной энергии, а для нематических сложных жидкостей ведущая — упругая — свободная энергия определяется тремя упругими постоянными \(K_{11}\), \(K_{ 22}\) и \(K_{33}\), которые относятся к трем основным упругим режимам: растяжению, скручиванию и изгибу соответственно. Распространенные и признанные методы измерения упругих констант основаны на переходе Фредерикса28, при котором резкое изменение поля директора молекулярного упорядочения может быть обнаружено с помощью оптических или калориметрических измерений. Обычно для измерения определенной упругой постоянной необходима определенная ячейка; однако методы, включающие гибридные ячейки, позволяют измерять все три упругие константы одновременно29. Измерения также можно проводить полностью оптически с использованием поляризованных лазерных лучей, которые вызывают оптический переход Фредерикса30, или путем сравнения структурных переходов в экспериментальных образцах и численно смоделированных холестерических ЖК-капель под действием электрического поля31. Более сложной задачей, чем измерение параметров материала, таких как константы упругости, может быть распознавание структуры директора жидкого кристалла. Полные трехмерные пространственные ориентационные профили жидких кристаллов могут быть определены по угловой зависимости флуоресценции в нематиках с использованием флуоресцентной конфокальной поляризационной микроскопии (FCPM)32,33 или, альтернативно, диэлектрический тензор и соответствующее поле директора могут быть восстановлены с помощью томографических подходов34.