Торнадо, цунами и кровь в сердце. Математик научил ИИ предсказывать хаос в жидкостях по-новому
NewsMakerКак машинное обучение ускоряет расчет потоков в тысячи раз — и почему это меняет всё.
Компьютерные расчеты давно помогают проектировать самолеты, считать поведение крови в сердце и предсказывать погоду, но у таких моделей есть старая проблема: чем сложнее поток, тем больше времени и вычислительных ресурсов уходит на симуляцию. Математик из Манчестерского университета Дэвид Сильвестер предложил способ ускорить эту работу с помощью машинного обучения и при этом не потерять физический смысл происходящего. Главная задача его метода – вовремя замечать моменты, когда спокойное и предсказуемое течение внезапно меняет характер.
Речь идет о так называемых точках бифуркации. Именно в них система перестает вести себя ровно и начинает переходить в другой режим. В случае с жидкостью или газом это можно представить на простом примере: поток долго идет гладко, почти слоями, а потом сталкивается с препятствием, теряет устойчивость, закручивается и образует вихри. Пока движение остается ламинарным, то есть упорядоченным и ровным, считать его заметно проще. Как только появляются резкие перестройки, задача становится намного тяжелее.
Для инженерии и науки это не мелочь, а одна из центральных трудностей. Вычислительная гидродинамика лежит в основе огромного числа прикладных расчетов. С ее помощью оценивают безопасность ядерных реакторов, оптимизируют форму парусов на гоночных яхтах, улучшают аэродинамику велосипедов и мячей, а также моделируют движение крови в сердце конкретного пациента перед операцией. За последние 50 лет такие инструменты сильно изменили и авиацию, и спортивную технику, и медицину. Но даже сейчас традиционные методы нередко требуют часов или дней вычислений, особенно если поток становится быстрым, неустойчивым или слишком запутанным.
На этом фоне машинное обучение выглядит заманчиво: если модель уже обучена, она может выдавать результат почти мгновенно. Для инженеров это означало бы быстрый перебор вариантов, оперативную корректировку конструкции и почти моментальную обратную связь вместо долгого ожидания. Но здесь начинается другая проблема. Если нейросеть учится только на данных, без жесткой связки с физикой, она легко выдает красивые, но невозможные сценарии. Для задач, где речь идет об экстремальных явлениях вроде торнадо или цунами, такой сбой уже нельзя считать мелкой погрешностью. Ведь речь идет о жизнях людей.
Компьютерные расчеты давно помогают проектировать самолеты, считать поведение крови в сердце и предсказывать погоду, но у таких моделей есть старая проблема: чем сложнее поток, тем больше времени и вычислительных ресурсов уходит на симуляцию. Математик из Манчестерского университета Дэвид Сильвестер предложил способ ускорить эту работу с помощью машинного обучения и при этом не потерять физический смысл происходящего. Главная задача его метода – вовремя замечать моменты, когда спокойное и предсказуемое течение внезапно меняет характер.
Речь идет о так называемых точках бифуркации. Именно в них система перестает вести себя ровно и начинает переходить в другой режим. В случае с жидкостью или газом это можно представить на простом примере: поток долго идет гладко, почти слоями, а потом сталкивается с препятствием, теряет устойчивость, закручивается и образует вихри. Пока движение остается ламинарным, то есть упорядоченным и ровным, считать его заметно проще. Как только появляются резкие перестройки, задача становится намного тяжелее.
Для инженерии и науки это не мелочь, а одна из центральных трудностей. Вычислительная гидродинамика лежит в основе огромного числа прикладных расчетов. С ее помощью оценивают безопасность ядерных реакторов, оптимизируют форму парусов на гоночных яхтах, улучшают аэродинамику велосипедов и мячей, а также моделируют движение крови в сердце конкретного пациента перед операцией. За последние 50 лет такие инструменты сильно изменили и авиацию, и спортивную технику, и медицину. Но даже сейчас традиционные методы нередко требуют часов или дней вычислений, особенно если поток становится быстрым, неустойчивым или слишком запутанным.
На этом фоне машинное обучение выглядит заманчиво: если модель уже обучена, она может выдавать результат почти мгновенно. Для инженеров это означало бы быстрый перебор вариантов, оперативную корректировку конструкции и почти моментальную обратную связь вместо долгого ожидания. Но здесь начинается другая проблема. Если нейросеть учится только на данных, без жесткой связки с физикой, она легко выдает красивые, но невозможные сценарии. Для задач, где речь идет об экстремальных явлениях вроде торнадо или цунами, такой сбой уже нельзя считать мелкой погрешностью. Ведь речь идет о жизнях людей.