Торнадо, цунами и кровь в сердце. Математик научил ИИ предсказывать хаос в жидкостях по-новому

Компьютерные расчеты давно помогают проектировать самолеты, считать поведение крови в сердце и предсказывать погоду, но у таких моделей есть старая проблема: чем сложнее поток, тем больше времени и вычислительных ресурсов уходит на симуляцию. Математик из Манчестерского университета Дэвид Сильвестер предложил способ ускорить эту работу с помощью машинного обучения и при этом не потерять физический смысл происходящего. Главная задача его метода – вовремя замечать моменты, когда спокойное и предсказуемое течение внезапно меняет характер.

Речь идет о так называемых точках бифуркации. Именно в них система перестает вести себя ровно и начинает переходить в другой режим. В случае с жидкостью или газом это можно представить на простом примере: поток долго идет гладко, почти слоями, а потом сталкивается с препятствием, теряет устойчивость, закручивается и образует вихри. Пока движение остается ламинарным, то есть упорядоченным и ровным, считать его заметно проще. Как только появляются резкие перестройки, задача становится намного тяжелее.

Для инженерии и науки это не мелочь, а одна из центральных трудностей. Вычислительная гидродинамика лежит в основе огромного числа прикладных расчетов. С ее помощью оценивают безопасность ядерных реакторов, оптимизируют форму парусов на гоночных яхтах, улучшают аэродинамику велосипедов и мячей, а также моделируют движение крови в сердце конкретного пациента перед операцией. За последние 50 лет такие инструменты сильно изменили и авиацию, и спортивную технику, и медицину. Но даже сейчас традиционные методы нередко требуют часов или дней вычислений, особенно если поток становится быстрым, неустойчивым или слишком запутанным.

На этом фоне машинное обучение выглядит заманчиво: если модель уже обучена, она может выдавать результат почти мгновенно. Для инженеров это означало бы быстрый перебор вариантов, оперативную корректировку конструкции и почти моментальную обратную связь вместо долгого ожидания. Но здесь начинается другая проблема. Если нейросеть учится только на данных, без жесткой связки с физикой, она легко выдает красивые, но невозможные сценарии. Для задач, где речь идет об экстремальных явлениях вроде торнадо или цунами, такой сбой уже нельзя считать мелкой погрешностью. Ведь речь идет о жизнях людей.

Сильвестер обходит эту проблему не за счет более хитрой нейросети, а за счет самих данных, на которых она учится. Вместо случайных примеров или упрощенных картинок потока он берет численно полученные решения фундаментальных уравнений движения жидкости. По сути, модель с самого начала кормят не абстрактными наборами наблюдений, а физически корректными сценариями. Благодаря этому она учится распознавать не просто внешне похожие формы течения, а реальные режимы, которые не противоречат гидродинамике.

Самый важный момент в работе связан с точками, где течение теряет устойчивость. Для обычного расчета это один из самых неприятных участков: еще недавно поток был ровным, а потом система внезапно перескакивает в другое состояние. Появляются завихрения, меняется структура движения, и модель уже не может опираться на прежний спокойный режим. Именно здесь часто и возникают ошибки или резкий рост вычислительной нагрузки. Сильвестер показывает, что обученная модель может находить такие переходы быстро и достаточно точно, а значит, заранее отмечать участки, где система вот-вот начнет вести себя иначе.

Для инженера разница между устойчивым и сорвавшимся потоком – не красивая математическая деталь, а вопрос того, насколько надежно будет работать конструкция. Если модель вовремя замечает момент перестройки, она лучше подходит для задач, где нужно быстро проверить форму крыла, поведение потока в канале, обтекание поверхности или другие сценарии, в которых небольшое изменение режима меняет всю картину.