- Home
- Dipartimento
- Ricerca
- Didattica
- Post Lauream
- Trasferimento della conoscenza
- Come fare per
Liquidi sottoraffreddati e vetri
La descrizione teorica della transizione vetrosa è uno dei maggiori problemi aperti della fisica della materia condensata. Perchè la viscosità di un liquido sottoraffreddato aumenta vertiginosamente se diminuiamo la temperatura? Perchè alcuni liquidi sono buoni formatori di vetro e non cristallizzano se sottoraffreddati, mentre altri no? Qual è l'origine delle forti correlazioni dinamiche che caratterizzano il moto molecolare in prossimità della transizione vetrosa? Per rispondere a questi interrogativi sono state sviluppate numerose teorie, ma nessuna di esse fornisce ancora una descrizione microscopica soddisfacente e predittiva.
Le simulazioni di dinamica molecolare e Monte Carlo sono strumenti essenziali per comprendere la natura microscopica della materia condensata. Il nostro gruppo di ricerca si concentra sui metodi di simulazione classici e di ottimizzazione, e sviluppa un framework in Python per facilitare l'analisi dati e l'implementazione di nuovi algoritmi. Tuttavia le scale di tempo accessibili nelle simulazioni convenzionali restano troppo limitate per studiare i liquidi sottoraffreddati vicino alla transizione vetrosa: anche sfruttando risorse di calcolo ad alta performance (HPC), simulare la dinamica microscopica di liquido su una scala di tempo di un secondo richiederebbe diversi secoli.
Uno dei nostri obiettivi è quindi sviluppare algoritmi di simulazione efficienti, che permettano di colmare il gap colossale tra le scale di tempi accessibili nelle simulazioni e negli esperimenti. Ad esempio, utilizzando il metodo swap Monte Carlo abbiamo accelerato la simulazione di sospensioni colloidali vetrose di miliardi di volte e misurato la loro struttura e la termodinamica in condizioni di sottoraffreddamento estremo. Sviluppiamo inoltre modelli di interazione computazionalmente efficienti per descrivere in modo realistico liquidi sottoraffreddati e vetri, e analizziamo la loro struttura e dinamica usando i metodi della fisica statistica e del machine learning. La nostra analisi mira a identificare, nel lungo periodo, la corretta descrizione teorica della transizione vetrosa.
Info
Ultimo aggiornamento: 29-11-2024 - 23:10