Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
ИИ научился легко решать сложнейшие уравнения, которые описывают устройство Вселенной
Дифференциальные уравнения в частных производных встречаются в самых разных аспектах физико-математического моделирования. Они позволяют рассчитывать состояния весьма сложных систем, но их решение всегда было ресурсоемкой задачей. Благодаря специально созданной нейросети этот процесс значительно ускорился и мощности суперкомпьютеров можно будет перенаправить на другие важные задачи.
Большинство студентов технических специальностей встречают уравнения математической физики (УМФ), или дифференциальные уравнения в частных производных, лишь однажды. Пройдя их во время обучения, об этом сложном, но мощном инструменте почти всегда забывают. И лишь некоторые инженеры используют их регулярно. Речь идет, например, о моделировании воздушных потоков в аэродинамике, описании движения тектонических плит, расчете положения планет или метеорологии.
Как правило, для решения подобных уравнений применяют мощные вычислительные комплексы — суперкомпьютеры или сети распределенных вычислений. Для многих ученых, работающих в не самых богатых на финансирование отраслях, такие расчеты всегда были головной болью. Понимая важность появления нового инструмента для выполнения подобных задач, американские математики и программисты обратились к технологиям искусственного интеллекта.
Коллектив ученых из Калифорнийского технологического института (Caltech) и Университета Пердью разработал высокоэффективный нейросетевой алгоритм для работы с УМФ. При его использовании удалось достичь огромного прироста скорости решения уравнений — в некоторых случаях на несколько порядков. Например, на матрице 256х256 их Нейронный оператор Фурье (Fourier neural operator, FNO) выдал результат за 0,005 секунды при решении уравнений Навье — Стокса. Наиболее распространенный алгоритм, используемый ранее, рассчитывал те же условия за 2,2 секунды.
Эти дифференциальные уравнения встречаются повсеместно — точнее, с их помощью можно описать практически любую динамическую систему. Появление доступного и эффективного метода их решения может существенно продвинуть вперед самые разные области науки. А уж применимость такого «искусственного интеллекта» в инженерных разработках точно не заставит себя ждать. Полное описание своей работы американские ученые опубликовали на портале arXiv.
Нельзя сказать, что создатели FNO первыми догадались решать дифференциальные уравнения в частных производных с помощью нейросетей и машинного обучения. Нет, так делали и раньше. Однако существующие алгоритмы приходилось обучать заново на каждый новый набор вычислений — даже при изменении свойств похожих жидкостей. Разработка ученых из Калтеха и Пердью позволяет выполнить «тренировку» лишь однажды и обсчитывать самые разные модели. Секрет эффективности FNO гениален и одновременно прост.
Основа работы любой нейросети — аппроксимация функции, ее приближение. Искусственный интеллект оперирует в своих вычислениях не точными значениями, а диапазоном величин, который позволяет принять решение или выдать результат, не прибегая к ресурсоемким и сложным уточнениям. Иными словами, нейросети во время обучения вырабатывают упрощенные формулы, результаты которых достаточно точны, чтобы применяться на практике.
Обычно работающие с графиками функций нейросети оперируют значениями в евклидовом пространстве. Для того чтобы упростить задачу, авторы FNO решили не переводить волновые функции в привычные графики, а «научить» алгоритм работать напрямую с преобразованиями Фурье. Это позволило не только прибавить скорость вычислений, но и снизить количество ошибок: их теперь на 30% меньше, чем в прежних алгоритмах.
Во время недавних наблюдений карликовой планеты Квавар что-то неожиданно почти полностью закрыло ее собой. Астрономы уверены, что это не ее спутник Вейвот и не одно из двух известных колец этого маленького мира на краю Солнечной системы.
Самая большая планета в Солнечной системе, всегда поражавшая воображение своими колоссальными размерами, немного сдала позиции. Новые высокоточные измерения орбитального зонда NASA показали, что Юпитер не такой большой и круглый, как считали астрономы последние 40 лет.
Ученые обнаружили, что общепринятые константы, с помощью которых химики предсказывают свойства молекул, содержали ошибки. Исправленные значения констант теперь объясняют ранее непонятные химические аномалии и позволяют предсказывать свойства новых материалов для квантовых технологий, датчиков и умных покрытий.
Исследования самодержавия могут пролить свет на феномен, исконно свойственный российской государственности, а значит, переосмыслить исторический путь России и выработку новых направлений развития, к такому выводу пришел ученый ТюмГУ.
Во время недавних наблюдений карликовой планеты Квавар что-то неожиданно почти полностью закрыло ее собой. Астрономы уверены, что это не ее спутник Вейвот и не одно из двух известных колец этого маленького мира на краю Солнечной системы.
Самая большая планета в Солнечной системе, всегда поражавшая воображение своими колоссальными размерами, немного сдала позиции. Новые высокоточные измерения орбитального зонда NASA показали, что Юпитер не такой большой и круглый, как считали астрономы последние 40 лет.
Исследования самодержавия могут пролить свет на феномен, исконно свойственный российской государственности, а значит, переосмыслить исторический путь России и выработку новых направлений развития, к такому выводу пришел ученый ТюмГУ.
Третий известный межзвездный объект 3I/ATLAS летит примерно вдвое быстрее обоих своих предшественников. По расчетам, его вряд ли могло выбросить из родной планетной системы с подобной скоростью, и так разогнаться по пути он тоже не мог.
Все больше покупателей начинают отказываться от привычки делать покупки на маркетплейсах, а число новых продавцов на площадках практически не увеличилось. Аналитика показывает, что за первый квартал 2025 года — прирост селлеров составил всего 0,45% по сравнению с аналогичным периодом прошлого года. В то же время, маркетплейсы активно расширяют сеть пунктов выдачи, особенно в регионах, где физическое присутствие всех брендов невозможно. Ученые Пермского Политеха рассказали, почему люди стали реже совершать покупки на маркетплейсах.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
ПонятноИз-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
ПонятноНаши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
ПонятноМы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
Понятно
Комментарии