Истражувачи од Универзитетот на Ново Мексико и Националната лабораторија Лос Аламос претставија нов компјутерски пристап дизајниран да реши еден од најтешките проблеми во статистичката физика. Системот, наречен THOR (Tensors for High-dimensional Object Representation), користи тензорски мрежни алгоритми за да се справи со исклучително сложени математички пресметки познати како конфигурациони интеграли, како и со парцијалните диференцијални равенки потребни за анализа на материјали.
Овие пресметки се клучни за предвидување на термодинамичкото и механичкото однесување на материјалите. За да стане системот уште поефикасен, истражувачите го комбинирале со машински научени потенцијали што ги опишуваат интеракциите и движењето на атомите. Таа интеграција им овозможува на научниците да моделираат материјали точно и ефикасно во широк опсег на физички услови.
„Конфигурациониот интеграл — кој ги опишува меѓучестичните интеракции — е познато дека е исклучително тежок и временски скап за пресметување, особено во материјалната наука при екстремни притисоци или фазни премини“, изјави Боан Александров, виш AI научник во Лос Аламос, кој го водел проектот. „Точното одредување на термодинамичкото однесување го продлабочува нашето научно разбирање на статистичката механика и е важно за области како металургијата.“
Зошто конфигурационите интеграли се толку тешки за пресметка?
Со децении, истражувачите се потпираа на индиректни пресметковни техники како молекуларна динамика и Монте Карло симулации за да ги проценат конфигурационите интеграли. Овие методи се обидуваат да го репродуцираат движењето на атомите преку симулирање огромен број интеракции во долги временски периоди.
Главната пречка е таканареченото „проклетство на димензионалноста“. Како што расте бројот на променливи, сложеноста на пресметките се зголемува експоненцијално. Дури и најмоќните суперкомпјутери тешко се справуваат со овој предизвик. Затоа симулациите често траат со недели, а сепак даваат само приближни одговори.
Димитар Петсев, професор на Катедрата за хемиско и биолошко инженерство на UNM, често соработува со Александров на истражувања во материјалната наука. Кога Александров му ја опишал пресметковната стратегија што неговиот тим ја развил, Петсев сфатил дека техниката може да понуди начин за директно пресметување на конфигурациониот интеграл во статистичката механика.
„Традиционално, директното решавање на конфигурациониот интеграл се сметаше за невозможно затоа што интегралот често има димензии од редот на илјадници. Класичните техники на интеграција би барале пресметковно време поголемо од староста на универзумот, дури и со современи компјутери“, рече Петсев. „Тензорските мрежни методи, сепак, нудат нов стандард за точност и ефикасност според кој можат да се споредуваат и другите пристапи.“
Како THOR AI ги прави високодимензионалните пресметки практични?
THOR AI го претвора овој наизглед нерешлив проблем во нешто што може ефикасно да се пресмета. Тоа го прави така што огромниот високодимензионален податочен сет на интегрантот го претставува како низа од помали, поврзани делови. Фрамеворкoт се потпира на математичка стратегија наречена tensor train cross interpolation за да ја постигне оваа компресија.
Истражувачите развиле и специјализирана верзија на методот што ги препознава клучните кристални симетрии во материјалот. Со идентификување на овие обрасци, THOR AI драматично ја намалува потребната пресметковна моќ. Пресметки што порано барале илјадници часови сега може да се завршат за секунди, без да се изгуби точноста.
Побрзи симулации за материјална наука и физика
Тимот го тестирал THOR AI на неколку материјални системи. Меѓу нив биле метали како бакар, благородни гасови под екстремен притисок како аргон во кристална состојба, како и сложениот премин меѓу цврсти фази на калај. Во секој случај, новиот метод ги репродуцирал резултатите добиени со напредни симулации од Лос Аламос, но работел повеќе од 400 пати побрзо.
Фрамеворкoт исто така се интегрира лесно со современи машински научени атомски модели, што му овозможува да анализира материјали под голем број различни услови. Поради оваа флексибилност, истражувачите сметаат дека THOR AI може да стане важна алатка во материјалната наука, физиката и хемијата.
„Овој пробив ги заменува вековните симулации и приближувања на конфигурациониот интеграл со пресметка од првите принципи“, рече Дук Труонг, научник од Лос Аламос и главен автор на студијата објавена во списанието Physical Review Materials. „THOR AI отвора пат за побрзи откритија и подлабоко разбирање на материјалите.“
Проектот THOR е достапен на GitHub.
