Невронните мрежи PEDS: бъдещето на физиката вече е тук
ИИ се научи да взема решение фундаменталните уравнения на физиката.
Физиците, употребяващи изкуствен интелект, направиха пробив в решаването на фундаментални уравнения на природата, които са в основата на оптиката, акустиката, инженерството и електрониката. Разработените от тях невронни мрежи, въодушевени от човешкия мозък, дават опция за доста по-ефективно решение на тези уравнения, проправяйки пътя за нови достижения в науката и техниката.
Сложни задания – нови решения
Учените обичайно употребяват частни диференциални уравнения за разказване на комплицираните физични системи, в които настъпват голям брой промени. Включително в пространството и времето. Тези уравнения оказват помощ за моделиране на феномени като въздушния поток към крилото на аероплан, разпространяването на замърсителите в атмосферата или колапса на звезда в черна дупка.
Решаването на тези уравнения нормално изисква доста точни числени способи, само че те са доста интензивни и изискват огромна изчислителна мощ.
Сурогатните модели: помощта на невронните мрежи
Съществуват и по-прости способи. Това са сурогатни модели, основани на данни. Тези модели, в това число невронните мрежи, се образоват на данни от числени решения, с цел да предвиждат техните резултати. Въпреки това те към момента изискват огромни количества данни за образованието си.
„ С увеличението размера на моделите количеството нужни данни нараства експоненциално. Това прави този метод мъчно мащабируем “, показва ръководителят на проучването Рафаел Пестури от Технологичния институт на Джорджия в Атланта.
Пробивът: PEDS моделите
В ново изследване учените са създали нов метод за основаване на сурогатни модели. При него се употребяват физични симулации за образование на невронните мрежи, тъй че те да могат тъкмо да подхождат на резултатите от високоточните числени способи. Целта е да се получат точни резултати. Това става посредством потребление знанията на специалистите по физика, а не просто да се употребява груба мощ посредством асортимент на другите разновидности.
Резултати и вероятности
Изследователите тестваха своите модели на физични заместители. Въпросните (Physics-Enhanced Deep Surrogate – PEDS) бяха тествани върху три типа физични системи. Това са дифузията (дифузия на багрило в течност), реактивната дифузия (дифузия след химична реакция) и електромагнитното разпръскване.
Оказа се, че PEDS моделите са три пъти по-точни от другите невронни мрежи при решаването на частни диференциални уравнения. В същото време за образованието им са нужни единствено към 1000 учащи пункта, което е 100 пъти по-малко спрямо другите способи.
„ Идеята ни е доста елементарна: невронните мрежи се образоват, а научният модел се занимава с просвета “, споделя Пестури. „ Моделите на PEDS демонстрираха, че комбинирането на тези два метода дава резултати, които са доста по-добри спрямо тяхното поотделно потребление “.
Потенциалните приложения на PEDS моделите са широкообхватни – от прогнозирането на времето до улавянето на въглеродния диоксид и проектирането на нуклеарни реактори.
