ИИ за считанные секунды решил физическую задачу столетней давности

Конфигурационные интегралы используются для описания взаимодействия частиц и позволяют предсказывать термодинамические и механические свойства материалов. Такие вычисления необходимы, например, для изучения фазовых переходов, поведения веществ при экстремальном давлении и разработки новых материалов. Однако напрямую вычислять эти интегралы крайне сложно.

"Конфигурационный интеграл, который описывает взаимодействия частиц, чрезвычайно трудно вычислить, особенно в задачах материаловедения, связанных с высокими давлениями или фазовыми переходами", - объяснил руководитель проекта, специалист по искусственному интеллекту из Лос-Аламосской лаборатории Боян Александров.

Главная проблема заключается в так называемом "проклятии размерности". По мере увеличения числа переменных сложность вычислений растет экспоненциально. Даже современные суперкомпьютеры с трудом справляются с такими задачами. Поэтому ученые десятилетиями использовали приближенные методы - например, молекулярную динамику или метод Монте-Карло, - которые моделируют движение атомов и требуют огромных вычислительных ресурсов.

Новый подход позволяет выполнять такие расчеты напрямую. Алгоритм THOR AI использует методы тензорных сетей - математическую технику, позволяющую представлять огромные многомерные данные в виде набора связанных более простых элементов.

Система THOR AI разбивает сложную задачу на последовательность более компактных вычислений и применяет метод так называемой тензорной интерполяции. Кроме того, алгоритм способен автоматически выявлять симметрии в кристаллической структуре материалов, что дополнительно сокращает объем вычислений.

Благодаря этому расчеты, которые раньше занимали тысячи часов, теперь можно выполнять за секунды без потери точности.

Исследователи протестировали новую систему на нескольких материалах, включая медь, кристаллический аргон при высоком давлении и сложные фазовые переходы олова. Во всех случаях результаты совпали с данными более трудоемких симуляций, однако вычисления выполнялись более чем в 400 раз быстрее.

Кроме того, THOR AI можно интегрировать с современными моделями машинного обучения, описывающими взаимодействие атомов. Это позволяет анализировать поведение материалов в самых разных физических условиях.

По мнению исследователей, новая технология может ускорить разработку материалов и углубить понимание фундаментальных процессов в физике, химии и материаловедении.

• 17 мар., 13:00