Нова невронна мрежа 1000 пъти ускорява решаването на частните диференциални уравнения

Диференциалните уравнения с частни производни описват широк спектър от явления: от движението на планетите до климатичните промени, но за тяхното решаване са необходими суперкомпютри. Американски специалисти разработиха нов модел за дълбоко машинно обучение, който превъзхожда всички аналогични методи от гледна точка на точността, удобството на използване и скоростта на обработка на данните.

Частните диференциални уравнения са категория математически уравнения, които са много подходящи за описване промените в пространството и времето, следователно и за описване на физическите феномени на Вселената. Те могат да бъдат използвани за моделиране на практически всичко – от планетарните орбити до тектоничните измествания.

Проблемът е че тези уравнения са много сложни за решаване и се налага използването на суперкомпютри. Но сега бе разработена нова технология с използването на дълбоко машинно обучение, която значително ускорява процеса на решаване на диференциалните уравнения в частни производни.

Учените от Калтек разработиха нова технология на дълбоко машинно обучение за решаване на диференциални уравнения с частни производни, която е много по-точна от всички предишни методи. С нейна помощ е възможно решаването на цели групи от тези уравнения, като например уравненията на Навие-Стокс, при това без да се налага ново обучаване на модела. Нещо повече, този метод е 100 пъти по-бърз в сравнение с традиционните математически инструменти, а това означава че зависимостта на учените от суперкомпютрите значително ще се намали и ще могат да бъдат решавани много по-сложни задачи.