Нейросеть THOR AI ускорила расчеты свойств материалов в физике в 400 раз
Ученые из Университета Нью-Мексико и Лос-Аламосской национальной лаборатории создали вычислительную систему THOR AI (Tensors for High-dimensional Object Representation), способную решать одну из самых сложных задач статистической физики - расчет конфигурационных интегралов.
Созданная учеными нейросеть THOR AI ускорила расчеты свойств материалов в физике в 400 раз, научная работа опубликована в журнале Physical Review Materials.
Конфигурационные интегралы описывают взаимодействие частиц и позволяют предсказывать термодинамические и механические свойства материалов. Они необходимы для изучения фазовых переходов, поведения веществ при экстремальном давлении и создания новых материалов. Проблема в том, что напрямую вычислять эти интегралы невероятно трудно.
«Конфигурационный интеграл, который описывает взаимодействия частиц, чрезвычайно трудно вычислить, особенно в задачах материаловедения, связанных с высокими давлениями или фазовыми переходами», - объяснил руководитель проекта и специалист по искусственному интеллекту из Лос-Аламосской лаборатории Боян Александров.
Главное препятствие - «проклятие размерности»: с ростом числа переменных сложность вычислений взлетает экспоненциально. Даже суперкомпьютеры с трудом справляются с такими задачами. Поэтому десятилетиями ученые использовали приближенные методы (молекулярную динамику, метод Монте-Карло), которые требуют огромных ресурсов.
Новый алгоритм THOR AI применяет тензорные сети - математическую технику, позволяющую разбивать огромные массивы многомерных данных на связанные простые элементы. Система раскладывает сложную задачу в цепочку компактных вычислений и использует метод тензорной интерполяции. Кроме того, алгоритм сам находит симметрии в кристаллической решетке, что дополнительно экономит ресурсы.
В итоге занимавшие тысячи часов расчеты теперь выполняются за секунды без потери точности. Тесты на меди, кристаллическом аргоне под высоким давлением и сложных фазовых переходах олова показали удивительный вывод. Полученные результаты совпадают с данными традиционных симуляций, но скорость выросла более чем в 400 раз.
THOR AI совместим с современными моделями машинного обучения, описывающими атомные взаимодействия. Это открывает путь к анализу материалов в любых физических условиях. Исследователи уверены в том, что новая технология ускорит разработку материалов и углубит понимание фундаментальных процессов в физике, химии и материаловедении.
Уважаемые читатели «Царьграда»!
Присоединяйтесь к нам в соцсетях ВКонтакте, Одноклассники, Telegram и Дзен-канале.