Нейросети PEDS: будущее физики уже наступило

Физики с помощью искусственного интеллекта совершили прорыв в решении фундаментальных уравнений природы, которые лежат в основе оптики, акустики, инженерии и электроники. Разработанные ими нейросети, вдохновленные работой мозга, позволяют значительно эффективнее справляться с этими уравнениями, открывая путь для новых разработок в науке и инженерии.

Сложные задачи – новые решения

Для описания сложных физических систем, где происходят множественные изменения, в том числе в пространстве и времени, ученые традиционно использовали частные дифференциальные уравнения. Эти уравнения помогают моделировать такие явления, как обтекание крыла самолета воздушным потоком, распространение загрязняющих веществ в атмосфере или коллапс звезды в черную дыру.

Решение этих уравнений обычно требует применения высокоточных численных методов, но они очень ресурсоемкие и требуют больших вычислительных мощностей.

Суррогатные модели: помощь нейросетей

Существуют более простые методы – суррогатные модели на основе данных. Эти модели, в том числе нейросети, обучаются на данных, полученных с помощью численных решений, чтобы предсказывать их результаты. Однако для обучения им по-прежнему требуется большое количество данных. «По мере увеличения размера моделей объем необходимых данных растет экспоненциально, что делает этот подход трудно масштабируемым», - говорит руководитель исследования Рафаэль Пестури из Технологического института Джорджии в Атланте.

Прорыв: PEDS модели

В новом исследовании ученые разработали новый подход к созданию суррогатных моделей. Он использует физические симуляторы для обучения нейросетей, чтобы те могли точно соответствовать результатам высокоточных численных методов. Цель – получать точные результаты, используя знания экспертов в области физики, а не просто перебирать варианты с помощью brute force.

Результаты и перспективы

Исследователи проверили свои суррогатные модели с физическим усилением (Physics-Enhanced Deep Surrogate, PEDS) на трех типах физических систем: диффузии (распространение красителя в жидкости), реактивной диффузии (диффузия после химической реакции) и электромагнитного рассеяния.

Оказалось, что PEDS модели втрое точнее других нейросетей при решении частных дифференциальных уравнений. При этом для их обучения потребовалось всего около 1000 обучающих точек, что в 100 раз меньше, чем у других методов.

«Наша идея проста: нейросети обучаются, а научная модель занимается наукой», - говорит Пестури. «PEDS модели показали, что объединение этих двух подходов дает результат, намного превосходящий их по отдельности».

Потенциальные применения PEDS моделей очень широки: от прогнозов погоды до улавливания углерода и разработки ядерных реакторов.

Исследователи подробно описали свои результаты в журнале Nature Machine Intelligence.