Компьютерное моделирование
стало гораздо быстрее
и универсальнее.
Алгоритмы машинного обучения стали мощным инструментом в научных изысканиях, особенно в компьютерном моделировании. Они помогают учёным и разработчикам быстрее разобраться в жизнеспособности и эффективности своих идей, экономя таким образом время и ресурсы исследователей. Например, моделирование действия лекарства на клетки органа позволяет сделать предварительные выводы о целесообразности его использования, а в моделировании материалов плюсы «прямых числовых решателей» и «нейроноки» проявляются наиболее полно.
В опубликованной недавно в Computational Materials статье сотрудники Национальных лабораторий Сандии и Университета Брауна представили универсальный способ ускорять практически любой вид моделирования, объединив точность расчётов прямых числовых решателей со скоростью нейронных операторов, что значительно ускорило процессы моделирования.
«С точки зрения пользователя, нет разницы между запуском вашего инструмента моделирования или этого инструмента ускоренного моделирования. Он даёт вам точно такие же прогнозы. Разница в том, сколько времени требуется для получения этих результатов», — говорит соавтор работы Реми Дингревиль, доктор наук, руководитель лаборатории Центра интегрированных технологий (входит в SNL), специализирующийся на физике наноструктур.
Новый метод основан на взаимодействии общедоступного программного решения и нейронного оператора U-Net, оптимизированного механизмом привязки событий ко времени. Такая временная маркировка событий делает систему компьютерного моделирования более быстрой в принятии решений при построении прогнозов по динамике изменений. Проведённые в качестве экспериментов вычислительные симуляции (с применением такого гибридного решателя) в сфере разработки материалов выдали результаты в 16 раз быстрее, чем обычно, не снижая точности расчётов.
Но главное, что этот подход можно легко применить для широкого круга исследований, включая изучение климатических изменений, навигацию беспилотных транспортных средств и аппаратное ускорение.
«Физика, химия, геохимия, прогноз погоды — [тема] действительно не имеет значения», — похваляется Дингревилл.
«Потенциал обобщения нашего подхода к различным системам может привести к созданию более эффективных и устойчивых технологий», — уверяет первый автор статьи, инженер Вивек Оммен из университета Брауна, изучающий методы решения научных задач с использованием машинного обучения.
Исследователи считают свой результат настоящим вызовом для коллег, побуждающим их фундаментально переосмыслить подходы к разработке и использованию симуляций.
Кроме того, благодаря своей эффективности и точности, такие гибридные решатели могут применяться для поиска необходимых данных в так называемых обратных задачах проектирования. Иными словами, этот метод позволяет находить исходные данные, которые привели к наблюдаемому результату, как бы «идя от обратного» или от следствия к причинам. Что ж, у команды получился невероятный инструмент, но она уже видит возможности для его улучшения, и считает, что дальнейшие исследования помогут делать прогнозы ещё более точно и быстро.
По материалам АРМК.