VICKI: Voraussage von Inhomogenitäten und Clusterdynamik mittels Künstlicher Intelligenz

Das Hauptziel ist die Vorhersage der dynamischen Entwicklung von Partikelensembles in geringer
Teilchenzahldichte (granularer Gase) unter externer Anregung und während des anregungsfreien
Abkühlvorganges.
Aus den Informationen über Partikelkonfigurationen (relative Positionen und Geschwindigkeiten) kann die KI vorhersagen, wie sich die weitere Entwicklung eines solchen Systems vollziehen wird. Damit können zum Beispiel Abschätzungen darüber getroffen werden, ob sich aus einer bestimmten Konfiguration von Partikeln bei bekannten geometrischen und dynamischen Eigenschaften Cluster bilden werden oder ob das granulare Gas homogen und strukturlos bleibt. Diese Fragestellung betrifft eine grundlegende Eigenschaft granularer Gase, die in vielfältiger Weise die makroskopischen Eigenschaften eines solchen Systems beeinflusst. Andererseits kann ein auf KI basierender Algorithmus auch für eine gegebene Cluster- Konfiguration deren Dynamik vorhersagen, und Aussagen darüber machen, ob für das Cluster ein bevorstehender Zerfall zu erwarten ist.

Traditionell werden solche Fragen mit Hilfe von Simulationsmethoden beantwortet, die durch die
experimentelle Datenanalyse unterstützt werden. Dies bedeutet jedoch, dass Simulationen durchgeführt werden müssen, die eine Vielzahl von Situationen abdecken.
Der Einsatz von ML/KI würde bei folgenden Aufgaben helfen:
- intelligentes Füllen von Lücken im Parameterraum
- schnelle Vorhersagen für bestimmte Situation ermöglichen
- In Verbindung mit den ML-gestützten experimentellen Datenanalyse-Methoden können die Simulationen effizienter auf reale Bedingungen abgestimmt werden
- Charakterisierung der Einflussnahme auf die Dynamik durch Variation der Anregungsparameter oder anderer, geometrischer Größen, um zum Beispiel die Clusterbildung zu unterstützen oder zu unterdrücken

VICKI: Artificial Intelligence for prediction of inhomogeneities and clustering in granular gases

The main objective is to predict the dynamic evolution of particle ensembles in small
Particle number density (granular gases) under external excitation and during the excitation-free
cooling process.
From the information about particle configurations (relative positions and velocities), the AI can predict how the further development of such a system will take place. This makes it possible, for example, to estimate whether clusters will form from a certain configuration of particles with known geometric and dynamic properties or whether the granular gas will remain homogeneous and structureless. This question concerns a fundamental property of granular gases, which influences the macroscopic properties of such a system in a variety of ways. On the other hand, an AI-based algorithm can also predict the dynamics of a given cluster configuration and make statements about whether an imminent decay is to be expected for the cluster.

Traditionally, such questions are answered with the help of simulation methods, which can be
be supported by experimental data analysis. However, this means that simulations must be carried out that cover a variety of situations.
The use of ML/AI would help with the following tasks:
- Intelligent filling of gaps in the parameter space
- enable quick predictions for certain situations
- In combination with the ML-supported experimental data analysis methods, the simulations can be adapted more efficiently to real conditions
- Characterization of the influence on the dynamics by varying the excitation parameters or other geometric variables, for example to support or suppress cluster formation
This text was translated with DeepL