Моделирование физически достоверной реальности
как новый виток научного метода.
Два года назад Тайлин Ву и Макс Тегмарк, двое учёных из Массачусетского института технологий (MIT), представили научному миру свою модель нейросети, названную ими AI Physicist – Искусственный-Интеллект-Физик. Тогда суть новаторства заключалась в том, что нейромодель обучалась не столько конкретным данным, сколько начальным методам научных изысканий. А именно – наблюдениям и построению выводов. Наблюдения велись за виртуальными симуляторами в виде сорока вселенных, имитирующих сложности нашего мира, а предметом выводов по полученным данным стали законы, управляющие этими симуляциями.
Работа удалась на славу. Тогда ИИ, конечно, не сравнился с гением Галилея, чьё открытие постоянства периодичности колебаний независимо от их амплитуд не только позволило предположить возможность маятникового устройства часов, но также считается олицетворением первого этапа эволюции научного метода. Однако же несмотря на всё несовершенство модели и вытекающую из него ограниченность, AI Physicist дал толчок новому витку развития этого самого научного метода.
И вот недавно стало известно, что другой исследовательской группе (на этот раз из Японии), возглавляемой доцентами Ягути Такахаруиз Высшей школы системной информатики и Мацубара Такаши из Высшей школы инженерных наук при Университете Осаки, удалось разработать технологию для моделирования явлений, подробный механизм или формула которых не имеют объяснения. Общим в этих двух работах является и участие нейросетей, и учёт закономерностей реального мира. А разница – в том, что если в экспериментах MIT нейросеть формулировала выводы о физических законах на основе наблюдений за моделями искусственных вселенных, то японские исследования, наоборот, используют машинное обучение для создания модели реальности с опорой на действующие законы физики, основываясь при этом на данных от множества наблюдений. То есть фактически новые изыскания носят прогнозирующий, предсказательный характер.
А пикантности данному исследованию придаёт то, что его устроители сумели создать технологию моделирования явлений, не имеющих пока подробных объяснений причин и механизмов их возникновения и развития. Это касается, например, распространения трещин и других видов механики разрушения, роста кристаллических структур и даже волнового движения.
«Мы надеемся, что эта технология позволит более точно предсказывать подобные явления с помощью компьютерного моделирования, – говорят авторы. – Есть надежда, что это развитие позволит предсказать явления, которые до сих пор было трудно воссоздать, потому что лежащие в их основе подробные механизмы были неизвестны. Также ожидается увеличение скорости самих симуляций».
Обычно в создании моделей с опорой на законы физики используются основанные на них уравнения и суперкомпьютеры для расчётов. Но, хотя уравнения очень универсальны, они способны идеально воспроизводить индивидуальность протекания отдельных явлений далеко не всегда.
Вернёмся к Галилею. Вернее, к его наблюдениям за люстрой пизанского собора, которые и привели к идее создания часов с маятниковым механизмом. Физику движения маятника проходят в средней школе. Так что и тема, и эксперимент по ней как один из способов её моделирования – довольно просты. Однако в реальном опыте, если бы вы сделали маятник и попытались его раскачать, совсем небольшой производственный дефект либо конструкции, либо самого маятника мог бы привести к тому, что его движения не вполне бы совпали с теоретическими расчётами. А это означает ошибку в прогнозах модели.
Но теперь, при условии достаточного количества данных, учёные могут воссоздать в моделях даже очень скоротечные процессы, что позволит провести гораздо более подробные их исследования. Более того, оказалось, что, косвенно, новый метод также повысил эффективность обучения искусственных нейросетей. Проведённые авторами эксперименты показали, что, в сравнении с существующими разработками, скорости в их модели ИИ увеличились в 10 раз.
Уверенная реализация достаточно точного способа прогнозирования посредством физически достоверной симуляции на основе реальных данных, открывает перед мировым сообществом невероятные перспективы. С одной стороны это приведёт к сокращению времени, затрачиваемого на вычисления для различных физических симуляций, а с другой – позволит резко повысить точность моделирования, в сумме тем самым увеличив эффективность прогнозов и вручив учёным новый инструмент познания в виде полноценного виртуального опыта или даже целой лаборатории.
Собственное моделирование реальных явлений для каждой из областей деятельности человека способно приблизить ранее недосягаемые горизонты. Для науки это новый инструмент познания мира и его закономерностей; для инженерии – новое средство предварительного тестирования разработок; для медицины – способ сделать оптимальный выбор в методике лечения.
По материалам АРМК
