30.10.2020
Василий Парфенов

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.

Благодаря специально созданной нейросети решение дифференциальные уравнения в частных производных значительно ускорилось
©Science Photo Library via AP Images

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.

Благодаря специально созданной нейросети решение дифференциальные уравнения в частных производных значительно ускорилось
(a) — схема работы алгоритма (b) — сравнение результатов прямых наблюдений (верхний ряд) с предсказаниями нейросети (нижний ряд) Алгоритм был «натренирован» с помощью набора данных с матрицей 64х64Х20, расчеты производились по уравнениям Навье — Стокса с числом Рейнольдса 10000 на матрице 256х256х80 ©Zongyi Li, Nikola Kovachki, Kamyar Azizzadenesheli, Burigede Liu, Kaushik Bhattacharya, Andrew Stuart, Anima Anandkumar via arXiv.org

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.

Нашли опечатку? Выделите фрагмент и нажмите Ctrl + Enter.
Позавчера, 11:56
Илья Ведмеденко

В КНР испытали монолитный твердотопливный ракетный двигатель, имеющий самую большую тягу в мире. Разработка изделия важна для создания ракет тяжелого класса.

18 октября
Елена Синицкая

На днях израильский ныряльщик обнаружил на дне Средиземного моря у Хоф-ха-Кармель древние предметы, среди которых оказался меч удивительной сохранности. По мнению специалистов Израильского управления древностей, железный меч с клинком около одного метра и 30-сантиметровой рукоятью принадлежал крестоносцу и датируется XII веком.

Позавчера, 16:31
Мария Осетрова

Ученые из MIT выяснили, что наш мозг не оптимизирован для того, чтобы искать самый короткий маршрут. Вместо этого он выбирает путь, который точнее всего указывает на конечное направление.

18 октября
Елена Синицкая

На днях израильский ныряльщик обнаружил на дне Средиземного моря у Хоф-ха-Кармель древние предметы, среди которых оказался меч удивительной сохранности. По мнению специалистов Израильского управления древностей, железный меч с клинком около одного метра и 30-сантиметровой рукоятью принадлежал крестоносцу и датируется XII веком.

15 октября
Илья Ведмеденко

Компания General Dynamics Land Systems представила макет наземного робота TRX, который выступит носителем беспилотников-камикадзе. Помимо них, он получил квадрокоптер.

Позавчера, 11:56
Илья Ведмеденко

В КНР испытали монолитный твердотопливный ракетный двигатель, имеющий самую большую тягу в мире. Разработка изделия важна для создания ракет тяжелого класса.

13 октября
Мария Азарова

Анализ образцов крови, взятых у российских космонавтов до и после их полета на МКС, показал, что длительное пребывание в космосе может провоцировать повреждение мозга.

12 октября
Алиса Гаджиева

Две тысячи лет назад многие сооружения строили лучше, чем сегодня.

27 сентября
Мария Азарова

Новое исследование генетиков из Германии и Италии, похоже, помогло найти ответ на вопрос, который занимал ученых свыше двух тысяч лет: откуда взялись этруски?

[miniorange_social_login]

Комментарии

Написать комментарий

Подтвердить?
Подтвердить?
Не получилось опубликовать!

Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.

Понятно
Лучшие материалы
Войти
Регистрируясь, вы соглашаетесь с правилами использования сайта и даете согласие на обработку персональных данных.
Ваша заявка получена

Мы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.

Понятно
Ваше сообщение получено

Мы скоро прочитаем его и свяжемся с Вами по указанной почте. Спасибо за интерес к проекту.

Понятно

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам: