Хороший алгоритм машинного обучения — мощный исследовательский ускоритель. Соедините его с компьютерным моделированием, и он сможет вынюхивать математические сокращения в программе, продвигая ученых к более быстрому пониманию эффектов лекарств на клетки или потенциала ракетных двигателей для отправки человечества на Марс и дальше.

Новое исследование дает этот инструмент в руки ученых по всему миру. В статье, недавно опубликованной в npj Computational Materials, группа исследователей из Sandia National Laboratories и Brown University представила универсальный способ ускорения практически любого вида моделирования .

«С точки зрения пользователя нет никакой разницы между запуском вашего инструмента моделирования или запуском этого ускоренного инструмента моделирования. Он дает вам абсолютно одинаковые прогнозы. Разница в том, сколько времени требуется для получения этих результатов», — сказал Реми Дингревиль из Sandia.

Дингревиль и его команда провели симуляцию для материаловедения в 16 раз быстрее обычного с помощью своего ускорителя. И что еще важнее, они описали в своей статье, как он может так же легко ускорить компьютерные программы для исследования изменения климата, навигации беспилотных автомобилей или аппаратного ускорения.

«Возможность обобщения нашего подхода к различным системам может привести к созданию более эффективных и устойчивых технологий», — сказал Вивек Ооммен из Brown, первый автор статьи.

Ускоритель демократизирует быструю науку

В детстве Дингревиль любил быструю езду. Он быстро ездил на велосипеде, быстро катался на лыжах и быстро бегал. Он даже участвовал в гонках, чтобы первым закончить школьные задания. Теперь, как ученый, он использует машинное обучение, чтобы ускорить свои исследования. В предыдущем проекте он переделал симуляцию, чтобы она работала в 40 000 раз быстрее.

Хотя 16-кратное ускорение может показаться скромным в сравнении, Дингревиль и команда подчеркивают, что их последняя работа может иметь гораздо большее влияние, поскольку она приносит пользу практически каждой области науки. Она не ограничивается определенными типами проблем, как другие ускорители.

«Физика, химия, геохимия, прогнозирование погоды — на самом деле это не имеет значения», — сказал Дингревиль.

Группа считает, что ее работа — это вызов исследователям, требующий кардинального переосмысления того, как они разрабатывают и используют симуляции.

«Меня глубоко увлекают проблемы и возможности интеграции традиционных численных методов с искусственным интеллектом для решения сложных задач в области материаловедения», — сказал Ооммен.

Более быстрое моделирование открывает новые возможности для исследований

Хотя ускоритель моделирования экономит время и деньги для рутинных исследований, он также устраняет препятствия для изучения явлений, которые обычно невозможно смоделировать. Попробуйте смоделировать событие, которое разворачивается медленно, например, таяние ледников, и ваша программа, вероятно, займет слишком много времени, чтобы быть полезной.

«Современное положение дел таково, что приходится использовать эти прямые численные решатели. Несмотря на то, что они точны, они медленные», — сказал Дингревиль.

Группа ученых надеется, что это исследование положит начало современному, общепринятому для ученых способу быстро проходить обычно медленные симуляции.

«Заглядывая вперед, я с нетерпением жду возможности увидеть, как наши методологии можно будет применить к решению других сложных проблем в различных областях, таких как энергетика, биотехнологии и экология», — сказал Ооммен.

«Мне бы очень хотелось увидеть применение этого в науках о Земле», — добавил Дингревиль.