|
ИИ взломал нерешаемую задачу физики
|
|
|
|
Исследователи из Университета Нью-Мексико и Лос-Аламосской национальной лаборатории представили новый вычислительный подход, призванный решить одну из самых сложных задач статистической физики. Их система, получившая название Tensors for High-dimensional Object Representation (THOR) AI framework, использует алгоритмы тензорной сети для обработки чрезвычайно больших математических вычислений, известных как конфигурационные интегралы, наряду с уравнениями в частных производных, необходимыми для анализа материалов.
|
|
|
|
Эти расчеты необходимы для прогнозирования термодинамического и механического поведения материалов. Чтобы сделать систему более мощной, исследователи объединили ее с возможностями машинного обучения, которые позволяют отслеживать взаимодействие и перемещение атомов. Такая интеграция позволяет ученым точно и эффективно моделировать материалы в широком диапазоне физических условий.
|
|
|
|
"Конфигурационный интеграл, который фиксирует взаимодействие частиц, как известно, очень сложен и требует много времени для оценки, особенно в приложениях для материаловедения, связанных с экстремальными давлениями или фазовыми переходами", - сказал старший научный сотрудник по искусственному интеллекту из Лос-Аламоса Боян Александров, возглавлявший проект. "Точное определение термодинамического поведения углубляет наше научное понимание статистической механики и помогает в таких ключевых областях, как металлургия".
|
|
|
|
|
|
|
Почему конфигурационные интегралы так сложно вычислить
|
|
|
|
На протяжении десятилетий исследователи полагались на косвенные вычислительные методы, такие как молекулярная динамика и моделирование методом Монте-Карло, для оценки конфигурационных интегралов. Эти методы пытаются воспроизвести движение атомов, моделируя огромное количество взаимодействий в течение длительных периодов времени.
|
|
|
|
Основное препятствие связано с тем, что ученые называют "проклятием размерности". С ростом числа переменных сложность вычислений возрастает в геометрической прогрессии. Даже самые совершенные суперкомпьютеры сталкиваются с этой проблемой. В результате моделирование часто длится неделями, но по-прежнему дает лишь приблизительные ответы.
|
|
|
|
Димитер Петцев, профессор кафедры химической и биологической инженерии Университета Северной Каролины, часто сотрудничает с Александровым в области материаловедческих исследований. Когда Александров описал вычислительную стратегию, разработанную его командой, Петцев понял, что этот метод может предложить способ прямой оценки конфигурационного интеграла в статистической механике.
|
|
|
|
"Традиционно прямое вычисление конфигурационного интеграла считалось невозможным, поскольку интеграл часто включает измерения порядка тысяч. Классические методы интегрирования потребовали бы времени, превышающего возраст Вселенной, даже при использовании современных компьютеров", - сказал Петцев. "Методы тензорных сетей, однако, предлагают новый стандарт точности и эффективности, с которым можно сравнить другие подходы".
|
|
|
|
THOR AI Делает высокоразмерные вычисления практичными
|
|
|
|
Искусственный интеллект THOR преобразует эту, казалось бы, неуправляемую задачу в нечто, что может быть эффективно решено. Он делает это, представляя массивный набор данных с высокой размерностью подынтегральной функции в виде последовательности меньших связанных фрагментов. Для достижения такого сжатия фреймворк использует математическую стратегию, известную как "перекрестная интерполяция тензорной последовательности".
|
|
|
|
Исследователи также разработали специализированную версию метода, который определяет ключевые симметрии кристаллов в материале. Выявляя эти закономерности, THOR AI значительно сокращает объем требуемых вычислений. Вычисления, которые раньше требовали тысяч часов, теперь могут быть выполнены за считанные секунды без ущерба для точности.
|
|
|
|
Более быстрое моделирование для материаловедения и физики
|
|
|
|
Команда испытала THOR AI на нескольких системах материалов. В их число входили такие металлы, как медь, инертные газы под экстремальным давлением, такие как аргон в кристаллическом состоянии, и сложный фазовый переход олова из твердого тела в твердое. В каждом случае новый метод воспроизводил результаты, ранее полученные в ходе расширенного моделирования в Лос-Аламосе, при этом он работал более чем в 400 раз быстрее.
|
|
|
|
Платформа также легко интегрируется с современными атомарными моделями машинного обучения, позволяя анализировать материалы в самых разнообразных условиях. Благодаря такой гибкости, по словам исследователей, THOR AI может стать ценным инструментом в материаловедении, физике и химии.
|
|
|
|
"Этот прорыв заменяет вековые методы моделирования и аппроксимации конфигурационного интеграла расчетами на основе первых принципов", - сказал Дюк Труонг, ученый из Лос-Аламоса и ведущий автор исследования, опубликованного в журнале Physical Review Materials. "Искусственный интеллект THOR открывает двери для более быстрых открытий и более глубокого понимания материалов".
|
|
|
|
Источник
|
