Modelagem teórica e computacional de sistemas complexos

• Processo: 23/03658-9
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de agosto de 2023
• Data de Término da vigência: 31 de janeiro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Nathan Jacob Berkovits
• Beneficiário: Márcio Sampaio Gomes Filho
• Instituição Sede: Instituto de Física Teórica (IFT). Universidade Estadual Paulista (UNESP). Campus de São Paulo. São Paulo , SP, Brasil
• Vinculado ao auxílio: 21/14335-0 - ICTP Instituto Sul-Americano para Física Fundamental: um centro regional para Física Teórica, AP.ESP
• Assunto(s): Teoria do funcional da densidade Simulação de dinâmica molecular Processos estocásticos Redes neurais Sistemas complexos
• Palavra(s)-Chave do Pesquisador: Dft | Dinâmica Molecular | Potenciais por aprendizado de máquina | processos estocásticos | Redes neurais | Sistemas Complexos | Sistemas complexos e mecânica estatística

Resumo

A modelagem teórica e computacional é de extrema importância na ciência, permitindo destacar novos fenômenos físicos e auxiliar nos processos de descoberta de novos materiais. Dependendo do sistema de interesse (escalas de tempo e espaço), diferentes métodos podem ser empregados. Por exemplo, neste projeto, temos como objetivo estudar diferentes sistemas complexos de um ponto de vista teórico e computacional, a partir do uso da mecânica quântica (nível microscópico) e abordagens estocásticas (nível mesoscópico). No entanto, abordagens da mecânica quântica, como a dinâmica molecular ab initio baseada na Teoria do Funcional da Densidade (do inglês: Density Functional Theory, DFT), permitem investigar as propriedades eletrônicas, ópticas e magnéticas de um determinado material com alta precisão, mas são limitadas a centenas de átomos e um tempo de simulação relativamente curto. Nesse cenário, os potenciais de aprendizado de máquina - Campos de Força de Redes Neurais (do inglês: Neural Network Force Fields, NNFF) - desempenham um papel importante, pois fornecem uma maneira de contornar esses problemas, permitindo realizar simulações precisas no nível de DFT para sistemas grandes (até milhares de moléculas) e para uma escala de tempo longa (na escala de nanosegundos). Portanto, nosso objetivo principal é desenvolver NNFF para investigar sistemas aquosos (água, suas fases sólidas e água/íon), incluindo efeitos eletrônicos e nucleares. Isso significa que a simulação será o mais realista possível e poderemos fazer uma comparação direta com resultados experimentais. Por outro lado, o estudo de processos estocásticos tornou-se uma parte fundamental da física desde os trabalhos originais de Einstein, Langevin e Smulochowski sobre o movimento browniano. O principal objetivo da física estatística é descrever o comportamento coletivo de um grande número de objetos. Nesse processo, tentamos "esquecer" aspectos particulares de diferentes sistemas e capturar seu comportamento universal. Dessa forma, visamos abordar uma série de problemas cujo objetivo fundamental é caracterizar a dinâmica de sistemas que apresentam uma diversidade de escalas de tempo e espaço, aplicados, por exemplo, em sistemas mesoscópicos fora do equilíbrio. Focando em uma melhor compreensão dos fenômenos de crescimento descritos pela equação de Kardar, Parisi (Prêmio Nobel em 2021) e Zhang (KPZ), que é a equação estocástica não linear mais simples para o crescimento. Além disso, investigaremos a cinética de liberação de fármacos encapsulados em dispositivos poliméricos, bem como os efeitos entrópicos de cadeias poliméricas confinadas.