Stuletni problem fizyki wreszcie rozwiązany
THOR (Tensors for High-dimensional Object Representation) to efekt współpracy Los Alamos National Laboratory z Uniwersytetem Nowego Meksyku. Struktura programistyczna rozwiązuje równanie znane jako całka konfiguracyjna, które od stu lat opisywało interakcje cząstek w materiałach bez możliwości praktycznego zastosowania. Obrazuje ona interakcje cząstek i stanowiła spore wyzwanie, szczególnie w zastosowaniach z zakresu materiałoznawstwa obejmujących ekstremalne ciśnienia bądź przejścia fazowe. Główną przeszkodą było coś, co uczeni określają mianem przekleństwa wymiarowości. W przypadku złożonych materiałów problem osiągał rozmiary, przy których nawet najpotężniejsze superkomputery nie miały szans na obliczenie rozwiązania w rozsądnym czasie. Badacze szacowali, że tradycyjne metody potrzebowałyby czasu przekraczającego wiek wszechświata.
Czytaj też: Fizycy przewidywali ten fenomen, ale brakowało im dowodów. Długo wyczekiwany efekt wreszcie ujarzmiony
Framework wykorzystuje dekompozycję Tensor-Train i algorytm interpolacji TT-cross. W praktyce oznacza to przekształcanie gigantycznych zestawów danych w serie mniejszych, połączonych komponentów. To trochę jak rozłożenie skomplikowanej układanki na mniejsze, łatwiejsze do ułożenia fragmenty. Efekty? Dla diagramu fazowego cyny czas obliczeń skrócił się z 2560 godzin do zaledwie 5,8 godziny. To przyspieszenie o ponad 400 razy przy zachowaniu pełnej dokładności wyników. Testy przeprowadzono na trzech różnych materiałach: miedzi z wykorzystaniem potencjałów tight-binding, krystalicznym argonie pod wysokim ciśnieniem oraz cynie podczas przejścia fazowego.
Integracja z uczeniem maszynowym. Większa precyzja symulacji
Kluczową zaletą THOR AI jest możliwość integracji z nowoczesnymi potencjałami uczenia maszynowego, takimi jak HIP-NN czy MEAM. Dzięki temu framework może dokładniej modelować interakcje międzyatomowe niż tradycyjne metody oparte na przybliżeniu addytywności parowej. To ważne, bo oznacza, iż symulacje są nie tylko szybsze, lecz również bardziej precyzyjne w odwzorowaniu rzeczywistej fizyki materiałów. W praktyce przekłada się to na lepsze zrozumienie zachowania metali i kryształów w ekstremalnych warunkach.
Dokładne określenie zachowania termodynamicznego pogłębia nasze naukowe zrozumienie mechaniki statystycznej i dostarcza informacji dla kluczowych obszarów, takich jak metalurgia – wyjaśnia Boian Alexandrov z Los Alamos National Laboratory
Czytaj też: Komputer kwantowy jak klocki LEGO. Naukowcy rozwiązali problem skalowalności
Możliwości zastosowania są szerokie: od odkrywania nowych stopów poprzez szybsze testowanie kombinacji materiałów, po optymalizację komponentów dla technologii czystej energii. Inżynieria lotnicza może skorzystać na projektowaniu lżejszych i wytrzymalszych materiałów, a elektronika na rozwoju przewodników i półprzewodników nowej generacji. Badania w tej sprawie opublikowano w Physical Review Materials. Co ciekawe, projekt THOR jest dostępny publicznie na GitHubie, co oznacza, że naukowcy z całego świata mogą już teraz korzystać z tego narzędzia. I choć THOR AI rozwiązuje wprawdzie fundamentalny problem obliczeniowy, to prawdziwy test nastąpi, gdy framework zacznie być używany przez niezależne zespoły badawcze. Mimo to nie da się ukryć, że to właśnie takie narzędzia otwierają nowe możliwości w nauce o materiałach.