Если бы все двигалось в 40 000 раз быстрее, вы могли бы съесть свежий помидор через три минуты после посадки семени. Из Нью-Йорка в Лос-Анджелес можно долететь за полсекунды. И вы бы простояли в очереди в Службе безопасности аэропорта на этот рейс 30 миллисекунд. Благодаря машинному обучению разработка материалов для новых, передовых технологий может значительно ускориться.

Исследовательская группа из Sandia National Laboratories успешно использовала машинное обучение-компьютерные алгоритмы, которые улучшают себя, изучая закономерности в данных-для выполнения громоздких вычислений по материаловедению более чем в 40 000 раз быстрее, чем обычно.

Их результаты, опубликованные 4 января в журнале npj Computational Materials, могут предвещать резкое ускорение создания новых технологий для оптики, аэрокосмической промышленности, хранения энергии и, возможно, медицины, одновременно экономя деньги лабораторий на вычислительных затратах.

"Мы сокращаем цикл проектирования", - сказал Дэвид Монтес де Ока Сапиен, специалист по вычислительным материалам в Sandia, который помогал руководить исследованиями. "Дизайн компонентов значительно превосходит дизайн материалов, необходимых для их создания. Мы хотим это изменить. После того, как вы создадите компонент, мы хотели бы иметь возможность разработать совместимый материал для этого компонента без необходимости ждать годами, как это происходит с текущим процессом."

Исследование, финансируемое программой фундаментальных энергетических наук Министерства энергетики США, проводилось в Центре интегрированных нанотехнологий, исследовательском центре пользователей DOE, совместно управляемом Sandia и Los Alamos national labs.

Машинное обучение ускоряет вычислительно дорогостоящее моделирование

Исследователи Sandia использовали машинное обучение для ускорения компьютерного моделирования, которое предсказывает, как изменение конструкции или процесса изготовления, например изменение количества металлов в сплаве, повлияет на материал. Проект может потребовать тысяч симуляций, которые могут занять недели, месяцы или даже годы.

Команда выполнила одиночное моделирование без посторонней помощи на высокопроизводительном вычислительном кластере со 128 процессорными ядрами (типичный домашний компьютер имеет от двух до шести процессорных ядер) за 12 минут. С машинным обучением та же самая симуляция заняла 60 миллисекунд, используя только 36 ядер-что эквивалентно 42 000 раз быстрее на равных компьютерах. Это означает, что исследователи теперь могут узнать менее чем за 15 минут то, что обычно занимает год.

Новый алгоритм Сандии пришел к ответу, который на 5% отличался от стандартного результата моделирования-очень точный прогноз для целей команды. Машинное обучение торгует некоторой точностью для скорости, потому что оно делает приближения к быстрым вычислениям.

"Наша система машинного обучения достигает по существу той же точности, что и высокоточная модель, но с небольшой долей вычислительных затрат",-сказал специалист по материалам Sandia Реми Дингревиль, который также работал над проектом.

Преимущества могут выходить за рамки материалов

Дингревиль и Монтес де Ока Сапиен собираются сначала использовать свой алгоритм для исследования ультратонких оптических технологий для мониторов и экранов следующего поколения. Их исследования, однако, могут оказаться весьма полезными, поскольку моделирование, которое они ускоряли, описывает общее событие—изменение или эволюцию микроскопических строительных блоков материала с течением времени.

Машинное обучение ранее использовалось для быстрого моделирования, которое вычисляет, как изменяются взаимодействия между атомами и молекулами с течением времени. Опубликованные результаты, однако, демонстрируют первое использование машинного обучения для ускорения моделирования материалов в относительно больших микроскопических масштабах, которое, как ожидает команда Sandia, будет иметь большую практическую ценность для ученых и инженеров.

Например, ученые теперь могут быстро смоделировать, как мельчайшие капли расплавленного металла будут собираться вместе, когда они остынут и затвердеют, или, наоборот, как смесь разделится на слои своих составных частей, когда она расплавится. Многие другие природные явления, в том числе образование белков, следуют аналогичным закономерностям. И хотя команда Sandia не тестировала алгоритм машинного обучения на моделировании белков, они заинтересованы в изучении этой возможности в будущем.

ИСТОЧНИК