Исследователи из Университета Нью-Мексико и Национальной лаборатории Лос-Аламос разработали новую вычислительную систему, которая решает давнюю задачу статистической физики.
Система THOR на базе искусственного интеллекта преобразует сложные задачи
Система THOR (Tensors for High-dimensional Object Representation) использует алгоритмы тензорных сетей для эффективного сжатия и оценки чрезвычайно больших конфигурационных интегралов и дифференциальных уравнений в частных производных, которые определяют термодинамические и механические свойства материалов.
Система была интегрирована с потенциалами машинного обучения, которые кодируют межатомные взаимодействия и динамическое поведение, что позволяет точно и масштабируемо моделировать материалы в различных физических условиях.
Боян Александров, старший учёный лаборатории Лос-Аламос, возглавлявший проект, отметил: «Конфигурационный интеграл, который отражает взаимодействие частиц, традиционно трудно и затратно вычислять, особенно в приложениях материаловедения, связанных с экстремальными давлениями или фазовыми переходами».
Новый подход к решению сложных задач
До сих пор учёные полагались на приближённые методы, такие как молекулярная динамика и моделирование методом Монте-Карло, для оценки конфигурационного интеграла. Эти подходы работают косвенно, симулируя бесчисленные атомные движения в течение длительных временных промежутков, чтобы обойти «проклятие размерности» — экспоненциальный рост сложности в высокоразмерных задачах, который перегружает даже самые мощные суперкомпьютеры.
Димитер Петсев, профессор кафедры химической и биологической инженерии Университета Нью-Мексико, часто сотрудничает с Александровым по темам материаловедения. Когда Александров описал уникальные вычислительные методы, разработанные его командой, Петсеву пришло в голову, что эту работу можно применить к конфигурационному интегралу в статистической механике в качестве тестовой задачи.
«Традиционно считалось невозможным решить конфигурационный интеграл напрямую, потому что интеграл часто включает измерения порядка тысяч. Классические методы интегрирования потребовали бы времени вычислений, превышающего возраст Вселенной, даже на современных компьютерах», — сказал Петсев. «Методы тензорных сетей предлагают новый стандарт точности и эффективности, с которым можно сравнивать другие подходы».
Открытие в квантовых металлах: объяснение поведения электричества в металлах кагоме
Квантовые металлы — это металлы, в которых квантовые эффекты — явления, которые обычно имеют значение только на атомных масштабах — становятся достаточно мощными, чтобы контролировать макроскопические электрические свойства металла.
Исследователи в Японии объяснили, как электричество ведёт себя в специальной группе квантовых металлов, называемых металлами кагоме. Исследование впервые показало, как слабые магнитные поля изменяют крошечные петлевые электрические токи внутри этих металлов. Это переключение изменяет макроскопические электрические свойства материала и направление более лёгкого электрического потока, свойство, известное как диодный эффект, когда ток течёт легче в одном направлении, чем в другом.
Квантовые геометрические эффекты усиливают переключение примерно в 100 раз
Примечательно, что исследовательская группа обнаружила, что квантовые геометрические эффекты усиливают это переключение примерно в 100 раз. Исследование, опубликованное в Proceedings of the National Academy of Sciences, закладывает теоретическую основу, которая в конечном итоге может привести к созданию новых электронных устройств, управляемых простыми магнитами.
Учёные наблюдали это странное магнитное переключение в экспериментах примерно с 2020 года, но не могли объяснить, почему это происходит и почему эффект настолько силён. Это исследование впервые даёт теоретическую основу, объясняющую и то, и другое.
Использование интуиции человека для открытия новых квантовых материалов с помощью искусственного интеллекта
Многие свойства самых передовых материалов в мире находятся за пределами количественного моделирования. Понимание их также требует рассуждений и интуиции эксперта-человека, которые не могут быть воспроизведены даже самым мощным искусственным интеллектом, в сочетании со случайным стечением обстоятельств, по словам Юн-А Ким, профессора физики Ханса А. Бете в Колледже искусств и наук.
Ким и её коллеги разработали модель машинного обучения, которая инкапсулирует и количественно оценивает ценную интуицию экспертов-людей в поисках новых квантовых материалов. Модель, Materials Expert-Artificial Intelligence (ME-AI), «упаковывает» эту интуицию в дескрипторы, которые предсказывают функциональные свойства материала. Команда использовала этот метод для решения задачи квантовых материалов.
«Мы намечаем новую парадигму, в которой мы передаём знания экспертов, особенно их интуицию и проницательность, позволяя эксперту курировать данные и определять фундаментальные особенности модели», — сказала Ким, директор Института искусственного интеллекта в материаловедении, возглавляемого Корнеллом. «Затем машина обучается на данных, чтобы думать так же, как эксперты».
Ким является автором соответствующей статьи «Materials Expert-Artificial Intelligence for Materials Discovery», опубликованной в Communications Materials.