Для описания квантовых явлений математики и физики используют упрощенные модели. Но даже в таком случае приходится сталкиваться с сотнями, тысячами и даже миллионами уравнений для описания процессов взаимодействия ограниченного количества частиц на уровне квантовой механики.
Не упустите Что-то могли пропустить: ученые ищут следы пришельцев в старых данных по радиотелескопам
К примеру, для визуализации модели взаимодействия двух электронов в узле кристаллической решетки нужно решить 100 тысяч уравнений – по одному на каждый пиксель визуализации. Это требует колоссальных вычислительных ресурсов. Но ИИ обещает справиться с такой задачей без лишних трат.
Новая модель машинного обучения
Международная группа итальянских и американских физиков и математиков смогла создать такую модель машинного обучения, которая свела решение задачи всего к четырем уравнениям на пиксель. Причем без потери в точности. Правда, на обучение ИИ ушло две недели интенсивных вычислений, но результат оправдал себя. Более того, предлагаемая модель может использоваться для решения других задач в отношении задействованного математического аппарата – метода ренормализационной группы, который расширит сферу применения предложенного инструмента физикой элементарных частиц (космологией) и нейронаукой.
По сути, эта машина способна выявить скрытые закономерности. Когда мы увидели результат, мы поняли, что это больше, чем мы ожидали. Мы действительно смогли уловить соответствующую физику,
– сказал ведущий автор исследования Доменико Ди Санте.
Читайте на сайте Побили собственный рекорд: коловратки выжили в вечной мерзлоте в течение 24 000 лет
Обычно метод ренормализационных групп оперирует множеством параметров и служит опорой для масштабирования процессов. Исследователи создали модель ИИ, которая на первом этапе создает связи в полноразмерной ренормализационной группе без упрощения, а затем таким образом модифицирует эти связи, чтобы свести все расчеты к небольшому набору уравнений с сохранением аналогичного результата.
Конечный результат сохраняется, но пути движения к нему отличаются на множество порядков требуемой вычислительной мощности. Интересно, что учёные пока не понимают, как ИИ вычисляет пути оптимизации, но с этим они намерены разобраться в будущих исследованиях.