AI zadatak sa 100.000 jednačina skratio na četiri

Razni programi koji se baziraju na veštačkoj inteligenciji i mašinskom učenju sve su moćniji, a poslednji primer dolazi nam iz domena nauke. Naime, kako prenosi portal Phys.org, AI program uspeo je da neverovatno kompleksan kvantni mission znatno pojednostavi i to bez gubitka preciznosti.

Neverovatno dostignuće

Upotrebljavajući veštačku inteligenciju, fizičari su uspeli da “kompresuju” ekstremno komplikovan kvantni mission koji je zahtevao 100.000 jednačina kako bi se rešio, na svega četiri jednačine i to bez ikakvog umanjivanja tačnosti dobijenih podataka. Ovaj rad, koji je objavljen u naučnom časopisu Bodily Evaluation Letters, mogao bi da uvede revoluciju u način na koji fizičari pristupaju rešavanju problema u sistemima koji sadrže ogroman broj elektrona koji se nalaze u međusobnoj interakciji.

Pored toga, ukoliko bi sličan pristup mogao da se primeni i na druge trenutno aktuelne probleme, ovakav način uprošćavanja problema mogao bi dovesti quit olakšanog dizajniranja materijala sa poželjnim svojstvima, poput superprovodljivosti ili sposobnosti za stvaranje ekološki prihvatljive energije. Ali, kako su uspeli da ostvare jedan ovakav poduhvat?

Kako je ovo “pošlo za rukom”?

Kako kaže glavni autor ovog naučnog teksta, Domeniko Di Sante, “Počeli smo sa ogromnim problemom sastavljenim od raznih spojenih diferencijalnih jednačina, a nakon toga smo upotrebili proces mašinskog učenja kako bismo toliko umanjili njegovu razmeru quit one quit koje smo u ovom trenutku dospeli”.

Glavni mission je utvrditi metod ponašanja elektrona dok se kreću po rešetkastim putanjama, jer kada se nađu u istom segmentu, oni počinju da vrše interakciju jedan sa drugim. Ovo se naziva Habardovim modelom i predstavlja idealizaciju nekoliko bitnih klasa materijala, pri čemu omogućava naučnicima da utvrde putanju kretanja elektrona tokom bitnih faza određenog materijala, poput faze superprovodljivosti.

pexelstarawinstead83864401.jpg

Međutim, Habardov model može biti obmanjujuće jednostavan, jer rešavanje jednačina i određivanje kretanja elektrona u materijama sa njihovim malim brojem zahteva ogromnu procesorsku moć. Zašto? Jer kada dva elektrona stupe u interakciju, oni postaju kvantno upetljani, što celokupnu problematiku podiže na znatno komplikovaniji nivo. Jedna od metoda koja se koristi u ovim situacijama jeste kroz proces zvan renormalizaciona grupa koji pomaže prilikom posmatranja promena koje nastaju unutar, recimo, Habardovog sistema kada se menjaju određeni parametri, poput temperature.

Međutim, posmatranje upotrebljavanjem ove metode u kvantnim situacijama kada postoje na stotine hiljada ili miliona nezavisnih jednačina je skoro pa nemoguće. Upravo tu je pomogla veštačka inteligencija. Neuralna mreža pomogla je da se renormalizaciona grupa načini jednostavnijom i lakše rešivom. “U suštini, ovo je mašina koja poseduje sposobnost da otkrije skrivene obrasce ponašanja čestica”. Nakon toga, sledi pojednostavljivanje čitavog problema i smanjivanje broja jednačina quit što manjeg broja, a bez gubljenja preciznosti.

Nakon ovog otkrića, ostaje da se proveri kako će ovakav pristup funkcionisati ukoliko se primeni na komplikovanije kvantne sisteme u kojima elektroni stupaju u faze interakcije na većim udaljenostima. No, to je priča za neki drugi build aside.

Opširnije

Izvor: Benchmark.rs