Ett hundraårigt problem inom statistisk fysik har fått en lösning. Forskare vid The University of New Mexico (UNM) och Los Alamos National Laboratory har introducerat ett nytt beräkningsramverk kallat Tensors for High-dimensional Object Representation (THOR) AI. Genom att kombinera algoritmer för tensor-nätverk med maskininlärningsmodeller kan systemet direkt lösa extremt stora matematiska beräkningar, kända som konfigurationella integraler, samt de partiella differentialekvationer som krävs för att analysera material. Resultatet är en process som reducerar veckor av superdator-tid till enbart sekunder.
Att övervinna dimensionalitetens förbannelse
För att förutsäga materials termodynamiska och mekaniska beteenden är konfigurationella integraler avgörande. I årtionden har forskare förlitat sig på indirekta beräkningstekniker, såsom molekyldynamik och Monte Carlo-simuleringar, för att uppskatta dessa integraler. Dessa metoder försöker reproducera atomers rörelser genom att simulera enorma mängder interaktioner över långa tidsperioder.
Huvudhindret i dessa traditionella metoder är vad forskare kallar “dimensionalitetens förbannelse”. När antalet variabler växer, ökar beräkningarnas komplexitet exponentiellt. Även de mest avancerade superdatorerna kämpar med denna utmaning, vilket resulterar i att simuleringar ofta körs i veckor och ändå bara ger ungefärliga svar.
Boian Alexandrov, senior AI-forskare vid Los Alamos och projektets ledare, förklarar svårigheten: “Den konfigurationella integralen – som fångar partikelinteraktioner – är ökänt svår och tidskrävande att utvärdera, särskilt i materialvetenskapliga tillämpningar som involverar extrema tryck eller fasövergångar. Att noggrant fastställa det termodynamiska beteendet fördjupar den vetenskapliga förståelsen av statistisk mekanik och informerar nyckelområden såsom metallurgi”.
Tensor-nätverk och första princip-beräkningar
THOR AI omvandlar detta tidigare ohanterliga problem till något som kan lösas effektivt. Ramverket uttrycker den massiva, högdimensionella datamängden i integranden som en sekvens av mindre, sammanlänkade delar. För att uppnå denna komprimering förlitar sig systemet på en matematisk strategi känd som “tensor train cross interpolation”.
Dimiter Petsev, professor vid UNM:s institution för kemisk och biologisk teknik, insåg potentialen i tekniken när Alexandrov beskrev den.
“Traditionellt har det ansetts omöjligt att lösa den konfigurationella integralen direkt eftersom integralen ofta involverar dimensioner i storleksordningen tusentals. Klassiska integrationstekniker skulle kräva beräkningstider som överstiger universums ålder, även med moderna datorer,” konstaterar Petsev. “Tensor-nätverksmetoder erbjuder dock en ny standard för noggrannhet och effektivitet mot vilken andra metoder kan riktmärkas”.
Forskarna utvecklade även en specialiserad version av metoden som automatiskt upptäcker viktiga kristallsymmetrier inom materialet. Genom att identifiera dessa mönster minskar THOR AI dramatiskt mängden beräkning som krävs.
400 gånger snabbare analyser av koppar, argon och tenn
Forskarlaget testade THOR AI på flera materialsystem. Dessa inkluderade metaller som koppar, ädelgaser under extremt tryck såsom argon i kristallint tillstånd, samt den komplexa fast-fast-fasövergången hos tenn. I samtliga fall reproducerade den nya metoden resultat som tidigare erhållits från avancerade Los Alamos-simuleringar, men kördes mer än 400 gånger snabbare. Beräkningar som tidigare krävde tusentals timmar kan nu slutföras på sekunder utan att offra noggrannhet.
För att göra systemet ännu mer kraftfullt integreras ramverket smidigt med moderna maskininlärningspotentialer som fångar hur atomer interagerar och rör sig. Denna integration tillåter forskare att modellera material exakt och effektivt över ett brett spektrum av fysiska miljöer.
Ett paradigmskifte för materialvetenskapen
Studien, som publicerades i Physical Review Materials, markerar ett skifte för hur atomer inuti material beräknas. Duc Truong, forskare vid Los Alamos och studiens huvudförfattare, sammanfattar genombrottet:
“Detta genombrott ersätter hundraåriga simuleringar och approximationer av den konfigurationella integralen med en första princip-beräkning. THOR AI öppnar dörren för snabbare upptäckter och en djupare förståelse av material”.
Tack vare dess flexibilitet förväntas THOR AI bli ett värdefullt verktyg inom materialvetenskap, fysik och kemi. För de som vill utforska tekniken närmare finns THOR-projektet nu tillgängligt i sin helhet på GitHub.