THOR AI. Koniec z niemożliwymi obliczeniami
System o nazwie Tensors for High-dimensional Object Representation (THOR) AI koncentruje się na jednym z najtrudniejszych wyzwań fizyki, czyli obliczaniu całki konfiguracyjnej. To matematyczne zagadnienie od dziesięcioleci stanowiło poważną przeszkodę, szczególnie w badaniach materiałów w ekstremalnych warunkach.
Całka konfiguracyjna – która oddaje interakcje cząstek – jest notorycznie trudna i czasochłonna do obliczenia, szczególnie w zastosowaniach materiałoznawstwa obejmujących ekstremalne ciśnienia lub przejścia fazowe – wyjaśnia Boian Alexandrov z Los Alamos National Laboratory
Czytaj też: CraftGPT w Minecraft. Działająca sztuczna inteligencja z 439 milionów bloków
Technologia łączy algorytmy sieci tensorowych z możliwościami uczenia maszynowego. Takie połączenie umożliwia efektywną kompresję i analizę danych wielowymiarowych, które dotychczas stanowiły nieprzekraczalną barierę dla tradycyjnych metod. Wcześniejsze podejścia napotykały na fundamentalną przeszkodę zwaną klątwą wymiarowości. Metody symulacji dynamiki molekularnej i techniki Monte Carlo dostarczały jedynie przybliżonych wyników, wymagając przy tym ogromnych zasobów obliczeniowych.
Tradycyjnie bezpośrednie rozwiązywanie całki konfiguracyjnej było uważane za niemożliwe, ponieważ całka często obejmuje wymiary rzędu tysięcy. Klasyczne techniki całkowania wymagałyby czasu obliczeniowego przekraczającego wiek wszechświata – dodaje Dimiter Petsev z University of New Mexico
Przyspieszenie bez kompromisów
Najbardziej imponującym aspektem nowej technologii jest dramatyczne skrócenie czasu obliczeń. Układ wykonuje skomplikowane analizy w ciągu sekund, podczas gdy najlepsze dotychczasowe metody potrzebowały tysięcy godzin. THOR AI odtwarza wyniki z najlepszych symulacji Los Alamos – ale ponad 400 razy szybciej. Co ważne, zachowuje przy tym pełną dokładność wyników – nie ma tutaj kompromisu między szybkością a precyzją. Badacze przetestowali metodę na różnych materiałach, w tym na miedzi, argonie w stanie krystalicznym pod wysokim ciśnieniem oraz podczas analizy przemiany fazowej cyny. Wyniki tych badań ukazały się w Physical Review Materials, a kod źródłowy projektu jest dostępny na GitHubie.
Czytaj też: Pięcioletnia walka o idealne hamulce zakończona. Brembo triumfuje nad prawami fizyki
Jeśli technologia spełni pokładane w niej nadzieje, może znacząco wpłynąć na tempo rozwoju materiałoznawstwa. Dokładne określenie zachowania termodynamicznego materiałów otwiera nowe możliwości w kluczowych dziedzinach, takich jak metalurgia czy projektowanie materiałów o specyficznych właściwościach.
Ten przełom zastępuje stuletnie symulacje i przybliżenia całki konfiguracyjnej obliczeniami z pierwszych zasad. THOR AI otwiera drzwi do szybszych odkryć i głębszego zrozumienia materiałów – podsumowuje Duc Truong
Choć brzmi to obiecująco, prawdziwy test nowej technologii dopiero przed nami. Jeśli okaże się skuteczna w szerszym zakresie zastosowań, badacze zamiast miesięcy oczekiwania na wyniki symulacji mogliby otrzymywać odpowiedzi niemal natychmiast. To mogłoby przyspieszyć tempo odkryć naukowych i to na ogromną skalę