Магический кристалл науки: находит причины, предвидит последствия.

Учёные разработали инструмент, способный ускорить практически любой вид компьютерного моделирования.

Будучи мощными ускорителями исследований, алгоритмы машинного обучения плотно вошли в сферу научных изысканий. В частности, они делают более продуктивным такой инструмент, как компьютерное моделирование, широко применяемое не только в строго исследовательской, но и в инженерной, и в производственной сферах. Позволяя находить математические пути решения поставленной задачи, языковые модели и другие нейросети помогают учёным и разработчикам быстрее и более полно разобраться в жизнеспособности и эффективности своих идей.

Например, при наличии добротной «нейро-помощи», куда проще смоделировать действие лекарства на клетки органа, чем организовывать опытную проверку. Конечно, без экспериментального изучения часто не обойтись, но предварительные выводы о целесообразности такой работы может дать именно компьютерная симуляция реакции, обогащённая возможностями специализированного ИИ-алгоритма. То же можно отнести и к изучению потенциала новых архитектур ракетных двигателей, скажем, для той же отправки человека на Марс или даже за его пределы.

Но, наверное, наиболее полно плюсы использования этих «дополнительных мозгов» выражаются в моделировании материалов. С одной стороны, великое множество способов производства и комбинаций различных элементов в различных пропорциях, стремящееся к бесконечности, уже стало куда более дружелюбно к учёным-материаловедам с началом использования так называемых прямых числовых решателей. Так называют «простое» программное алгоритмическое моделирование ‒ специализированное программное обеспечение для точного решения систем линейных уравнений. И хоть программным инженерам вполне под силу создавать отдельный алгоритм для каждой задачи ‒ что, правда, крайне редко бывает необходимым, ‒однако сделать здесь можно ещё очень много.

Такой подход, хоть и является очень точным, но требует больших вычислительных затрат для прогнозирования изменений, происходящих с материалами. Это связано со сложностью эволюции, лежащей в основе уравнений: в зависимости от длины, природы, разнообразия и продолжительности изменений, пространственно-временных взаимодействий, сложность эта возрастает экспоненциально. Конечно, существует и альтернатива прямым решателям — решатели итерационные, которые хоть и требуют несколько меньше компьютерной памяти, но заметно проигрывают в точности. Так что без «нейронки» эта сфера всё ещё скрипит, как старая расшатанная телега.

И вот, новое исследование даёт чудесный инструмент в руки учёных всего мира. В недавно опубликованной в Computational Materials статье, сотрудники Национальных лабораторий Сандии (SNL) и Университета Брауна представили универсальный способ ускорения практически любого вида моделирования. Команда учёных разработала метод, благодаря которому стало возможно объединить точность расчётов прямых числовых решателей со скоростью нейронных операторов. Как результат — многократное ускорение процессов 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.

Применённый метод основан на взаимодействии общедоступного программного решения с разработанным командой нейронным оператором U-Net, улучшенным посредством механизма привязки событий ко времени. Именно эта привязка обеспечивает весьма точную экстраполяцию уже обнаруженных в обработанных данных тенденций на будущее развитие изучаемой задачи. Другими словами, такая временная маркировка событий наделяет всю систему компьютерного моделирования более эффективной скоростью принятия решений для построения соответствующих прогнозов по динамике изменений во времени.

Итог — с помощью ускорителя вычислительную симуляцию для материаловедения удалось провести в 16 раз быстрее, чем обычно. И, что более важно, в своей статье авторы описали, как это может (и, причём, столь же легко) ускорить компьютерные программы для обширного круга исследований, будь то изучение климатических изменений, навигации беспилотных транспортных средств или аппаратного ускорения.

«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.

Общедоступное ускорение.

В детстве Дингревилл любил быструю езду. Он гонял на велосипеде, лыжах и бегал, а в школьные годы соревновался со сверстниками кто первым сделает домашку. Теперь, уже как учёный, он проверяет возможности ускорения своих исследований, в том числе и с использованием машинного обучения. Например, три года назад, в предыдущем проекте, уму удалось с помощью нейросетей модернизировать процесс моделирования так, что в результате тот заработал аж в 40 000 раз быстрее. Кстати, совсем недавно этот успех учёный считал своим самым выдающимся достижением.

Конечно, на фоне такого триумфа 16-кратное ускорение, продемонстрированное в описываемой работе, как минимум кажется несколько скромным, если не сказать… не заслуживающим огласки. Однако и сам Дингревилл, и вся команда подчёркивают, что эта их последняя работа может оказать гораздо большее влияние, поскольку она принесёт пользу практически всем областям науки. А всё потому, что, в отличие от триумфальной разработки 2021 года, новый метод оказался универсален — он не ограничен определёнными типами задач.

«Физика, химия, геохимия, прогноз погоды — это действительно не имеет значения», — похваляется Дингревилл.

Исследователи считают свой результат настоящим вызовом для коллег, побуждающим их фундаментально переосмыслить подходы к разработке и использованию симуляций.

«Я глубоко очарован вызовами и возможностями интеграции традиционных числовых методов с искусственным интеллектом для решения сложных задач в материаловедении», — говорит Оммен.

Новые возможности.

Хотя получившийся ускоритель экономит время и деньги на рутинные исследования, он также устраняет препятствия для изучения явлений, смоделировать которые обычными способами просто невозможно. Так обстоят дела, например, с симуляцией крайне медленных и продолжительных событий. Возьмём таяние ледников — процесс невероятно вялотекущий и очень долгий. Просчитывая прогнозы для него, вычисление обычной программой займёт слишком много времени — настолько, что затея рискует стать бесполезной.

«Текущее состояние техники таково, что вам приходится использовать эти прямые числовые решатели. Несмотря на то, что они точны, они слишком медленные», — говорит Дингревилл.

Команда надеется, что это исследование положит начало современному способу быстрого прохождения обычно медленных симуляций, и что он станет настолько распространённым, чтобы в скором времени оказаться обыденным для учёных всего мира.

Результаты проведённых экспериментов по моделированию материалов показали «эффективность использования U-сети с временной обусловленностью в качестве быстрой и точной суррогатной модели для задач с высокими пространственными градиентами и одновременной быстрой и медленной динамикой», — пишут исследователи в статье. Однако авторы тут же отмечают, что обучение предложенной ими суррогатной модели универсальной нейросети само по себе является сложной задачей. И основными причинами этого оказываются достоинства метода.

С одной стороны, это непрерывное развитие самих высокоградиентных областей, и без того обладающих большим разнообразием зависимостей различных характеристик друг от друга. А с другой — острая необходимость точно фиксировать как медленную, так и быструю динамику изменений. Это означает, что суррогатная сеть должна точно изучать эволюцию во времени движущейся границы, разделяющей быструю и медленную динамику.

Любая ошибка при моделировании динамики приводит к ошибкам в прогнозируемой микроструктуре материалов, которые только усугубляются в ходе дальнейшей эволюции. В то же время, из-за двойственности динамики, суррогатная сеть также должна быть способна обучаться и точно моделировать многомасштабную нелинейную динамику, что делает процесс обучения ещё более деликатным.

Тем не менее, предложенная авторами гибридная фора моделирования является универсальной и может быть легко расширена для различных приложений. Помимо этого, основываясь на их производительности и точности, такие гибридные решатели могут использоваться для обнаружения требуемых данных для так называемых обратных задач проектирования. Другими словами, метод позволяет идти «от противного» или от следствия к причинам, и выявлять таким образом исходные данные для наблюдаемого конечного состояния.

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.

«Заглядывая в будущее, я горю желанием увидеть, как наши методологии могут быть применены к другим сложным проблемам в различных областях, таким как энергетика, биотехнологии и наука об окружающей среде», — откровенно отзывается об этих чаяниях Оммен.

«А я бы хотел, чтобы это применялось в геонауках», — добавил Дингревилл.

АРМК, по материалам Sandia National Laboratories.