Umělá inteligence THOR vyřešila stoletý fyzikální problém v materiálové vědě za pouhé sekundy

Nový rámec umělé inteligence s názvem THOR (Tensors for High-dimensional Object Representation) dokáže vyřešit jeden z nejobtížnějších výpočtů ve fyzice materiálů během několika sekund namísto týdnů.

Nový rámec umělé inteligence s názvem THOR (Tensors for High-dimensional Object Representation) dokáže vyřešit jeden z nejobtížnějších výpočtů ve fyzice materiálů během několika sekund namísto týdnů. Tento průlom, který představili vědci z University of New Mexico a Los Alamos National Laboratory, transformuje způsob, jakým vědci počítají chování atomů uvnitř materiálů.

THOR AI se zaměřuje na takzvané konfigurační integrály, které jsou klíčové pro předpovídání termodynamického a mechanického chování materiálů. Namísto spoléhání na pomalé simulace, které vyžadovaly týdny práce superpočítačů, systém využívá matematiku tenzorových sítí a modely strojového učení k přímému řešení problému. Tento přístup dokáže vypočítat klíčové termodynamické vlastnosti stokrát rychleji při zachování přesnosti, což by mohlo výrazně urychlit objevy v materiálové vědě, fyzice a chemii.

Proč je výpočet konfiguračních integrálů tak obtížný

Po desetiletí se vědci spoléhali na nepřímé výpočetní techniky, jako jsou simulace molekulární dynamiky a Monte Carlo, aby odhadli konfigurační integrály. Tyto metody se snaží reprodukovat pohyb atomů simulací obrovského množství interakcí po delší dobu. Hlavní překážkou je takzvané „prokletí dimenzionality“, kdy se složitost výpočtů exponenciálně zvyšuje s rostoucím počtem proměnných. I ty nejmodernější superpočítače s touto výzvou zápasí, což vedlo k týdenním simulacím, které poskytovaly pouze přibližné odpovědi. Profesor Dimiter Petsev z UNM Department of Chemical and Biological Engineering poznamenal, že přímé řešení konfiguračního integrálu bylo tradičně považováno za nemožné, protože integrál často zahrnuje tisíce dimenzí. Klasické integrační techniky by vyžadovaly výpočetní časy přesahující stáří vesmíru.

Vedoucí projektu, Boian Alexandrov, seniorní AI vědec z Los Alamos, zdůraznil, že přesné určení termodynamického chování prohlubuje vědecké porozumění statistické mechanice a je důležité pro klíčové oblasti, jako je metalurgie. Metody tenzorových sítí, které THOR využívá, nyní nabízejí nový standard přesnosti a účinnosti, proti kterému lze porovnávat jiné přístupy, a otevírají tak cestu k dříve nedosažitelným objevům.