Технології
Технології

Штучний інтелект оцифрував закони фізики для дискретного моделювання

Вчені розробили алгоритм, здатний пристосовувати закони фізики для кожної задачі окремо. Штучний інтелект вивчає фізичне явище, а потім генерує саме для нього певне рівняння, що дасть змогу зробити прогнози ШІ та моделювання більш точними. Стаття розробників була представлена на конференції з машинного навчання NeurIPS.

Pixabay

Pixabay

Хіба раніше комп’ютери не прогнозували щось через моделі?

Зазвичай передбачення та моделювання фізичних явищ виконується за допомогою суперкомп'ютерів та рівнянь, заснованих на законах фізики. Незважаючи на те, що ці рівняння дуже універсальні, це не завжди означає, що вони здатні ідеально відтворювати окремі характеристики окремих явищ. Наприклад, багато людей вивчають фізику руху маятника в середній школі. Реальний маятник відрізнятиметься від ідеального, описаного формулами, через, наприклад, виробничі дефекти. Він не рухатиметься відповідно до теорії і це призведе до помилки в прогнозі моделювання.

Після великого успіху нейронні мережі, спеціально розроблені для фізичних явищ, отримали велику увагу. Гамільтонові нейронні мережі (hamiltonian neural networks) реалізовують гамільтонів шлях у нейромережі і тим самим “утворюють” закон збереження енергії у фізиці. Однак це може бути неможливо в дискретному часі, що часто буває при практичному навчанні і обчисленнях. Більш того, в попередніх моделях нейронних мереж не враховувалися інші фізичні закони. У цьому дослідженні розробники пропонують глибинну фізичну модель, засновану на енергії, яка допускає специфічну диференційно-геометричну структуру. З цієї структури природним чином випливають закон збереження енергії і закон збереження маси. Щоб забезпечити енергетичну поведінку в дискретному часі, вчені пропонують алгоритм автоматичного дискретного диференціювання.

Що робить штучний інтелект?

Дослідницька група розробила нову технологію на основі штучного інтелекту, яку можна використовувати для передбачення різних явищ, строго дотримуючись фізичних законів, такі як закон збереження енергії. Модель застосовна до загальних фізичних явищ, наприклад механіка Гамільтона, теорія Ландау і моделювання фазового поля. Вона включає гамільтонові системи, що складаються з положення і імпульсу (так звана природна система, як, наприклад, система маса-пружина), природна система з тертям, фізична система, отримана шляхом мінімізації вільної енергії (наприклад, фазові переходи) і гамільтонові рівняння, наприклад, для рівняння Максвелла. Більшість досліджень раніше зосереджувалися або на одній з перших двох систем при особливих умовах, або вони занадто загальні, щоб моделювати закони збереження.

Всі рівняння можна записати у вигляді геометричних. І зосередивши увагу на цьому, дослідники переписали їх, використовуючи цифрове обчислення. У розробленій ними методиці, алгоритми вивчають функцію енергії на основі даних спостережень за фізичними явищами, а потім генерують рівняння руху в цифровому світі. Крім того, немає потреби переписувати ці рівняння руху для комп'ютерного моделювання.

Як вчені це зробили?

Щоб зробити це технічно, дослідники розробили нову цифрову версію зворотного поширення помилки, яка використовується в машинному навчанні з використанням автоматичного диференціювання. За допомогою цього нового підходу можна зберегти фізичні закони, такі як закон збереження енергії, в цифровому світі. Використання цієї нової методології уможливить високонадійні прогнози і допоможе уникнути виникнення неприродних підвищень і знижень енергії, які спостерігаються в традиційних моделях. Щоб ввести фізичні закони в цифровий світ, також використовувалися геометричні підходи, такі як симплектична геометрія і ріманова геометрія. Це дозволяє застосовувати цю техніку для передбачення більш широкого кола явищ. Наприклад, явище об'єднання двох крапель в одну можна пояснити втратами енергії, які відбуваються, коли вони стають єдиною краплею. Цей добре описується за допомогою ріманової геометрії. Фактично, явища як збереження енергії, так і явища розсіювання енергії можуть бути показані в аналогічному рівнянні з геометричної точки зору, що може дозволити створити єдину систему, яка може обробляти обидва типи явищ. Шляхом включення цього способу, модель, розроблена в ході цього дослідження, була розширена для обліку явищ розсіювання енергії, що дозволило точно оцінити зменшення енергії. Це, наприклад, структурна організація матеріалів, вирощування кристалів і механіка розширення тріщин.

Більш того, дослідницька група також успішно підвищила ефективність навчання штучного інтелекту, і експерименти показали, що це в 10 разів швидше, ніж існуючі методи. Підхід, розроблений в ході цього дослідження, передбачає, що при прогнозуванні фізичних явищ можна було б створювати індивідуальні моделі, що імітують докладні аспекти цих явищ, які складно координувати людям. Це дозволило б підвищити точність моделювання, а також зробити можливим більш ефективні прогнози, що призвело б до скорочення часу обчислень для різних фізичних симуляцій. Крім того, використання ШІ для вилучення фізичних законів з даних спостережень дозволить передбачати явища, які раніше було важко моделювати через невідомість їх докладних механізмів.