Невронните мрежи PEDS: бъдещето на физиката вече е тук

ИИ се научи да решава фундаменталните уравнения на физиката.

Физиците, използващи изкуствен интелект, направиха пробив в решаването на фундаментални уравнения на природата, които са в основата на оптиката, акустиката, инженерството и електрониката. Разработените от тях невронни мрежи, вдъхновени от човешкия мозък, дават възможност за много по-ефективно решаване на тези уравнения, проправяйки пътя за нови постижения в науката и техниката.

Сложни задачи – нови решения

Учените традиционно използват частни диференциални уравнения за описване на сложните физични системи, в които настъпват множество промени. Включително в пространството и времето. Тези уравнения помагат за моделиране на явления като въздушния поток около крилото на самолет, разпространението на замърсителите в атмосферата или колапса на звезда в черна дупка.

Решаването на тези уравнения обикновено изисква много точни числени методи, но те са много интензивни и изискват голяма изчислителна мощност.

Сурогатните модели: помощта на невронните мрежи

Съществуват и по-прости методи. Това са сурогатни модели, базирани на данни. Тези модели, включително невронните мрежи, се обучават на данни от числени решения, за да прогнозират техните резултати. Въпреки това те все още изискват големи количества данни за обучението си.

„С увеличаването размера на моделите количеството необходими данни нараства експоненциално. Това прави този подход трудно мащабируем“, посочва ръководителят на изследването Рафаел Пестури от Технологичния институт на Джорджия в Атланта.

Пробивът: PEDS моделите

В ново проучване учените са разработили нов подход за създаване на сурогатни модели. При него се използват физични симулации за обучение на невронните мрежи, така че те да могат точно да съответстват на резултатите от високоточните числени методи. Целта е да се получат точни резултати. Това става чрез използване знанията на експертите по физика, а не просто да се използва груба сила чрез подбор на различните варианти.

Резултати и перспективи

Изследователите тестваха своите модели на физични заместители. Въпросните (Physics-Enhanced Deep Surrogate – PEDS) бяха тествани върху три вида физични системи. Това са дифузията (дифузия на багрило в течност), реактивната дифузия (дифузия след химична реакция) и електромагнитното разсейване.

Оказа се, че PEDS моделите са три пъти по-точни от другите невронни мрежи при решаването на частни диференциални уравнения. В същото време за обучението им са необходими само около 1000 обучаващи пункта, което е 100 пъти по-малко в сравнение с другите методи.

„Идеята ни е много проста: невронните мрежи се обучават, а научният модел се занимава с наука“, казва Пестури. „Моделите на PEDS показаха, че комбинирането на тези два подхода дава резултати, които са много по-добри в сравнение с тяхното поотделно използване“.

Потенциалните приложения на PEDS моделите са широкообхватни – от прогнозирането на времето до улавянето на въглеродния диоксид и проектирането на ядрени реактори.