В то время как нейронные сети могут помочь повысить точность моделирования потока жидкости, новое исследование показывает, насколько ограничена их точность, если не будет выбран правильный подход. Внедрение свойств жидкости в нейронные сети позволяет повысить точность моделирования на порядки.
Решетчатый метод Больцмана (LBM) — это метод моделирования, используемый для описания динамики жидкостей. В последнее время возрос интерес к использованию нейронных сетей для компьютерного моделирования жидкостей. Результаты сотрудничества между исследователями из Эйндховенского технологического университета и Лос-Аламосской национальной лаборатории, опубликованные в The European Physical Journal E , показывают, как нейронные сети могут быть встроены в структуру LBM для моделирования столкновений между частицами жидкости.
Команда обнаружила, что для сохранения точности важно внедрить правильные физические свойства в архитектуру нейронной сети. Эти открытия могут углубить понимание исследователями того, как моделировать потоки жидкости.
LBM работает, разделяя потоки на сетки крошечных ячеек: отслеживая движение частиц между ячейками, затем вычисляя, как распределение частиц в каждой ячейке меняется с течением времени. Одним из ключевых требований LBM является моделирование столкновений между частицами. Несколько различных моделей теперь способны делать это, и, соответствующим образом воссоздавая эти столкновения в LBM, исследователи теперь могут использовать их для моделирования разнообразных систем потоков.
В своем исследовании группы из Эйндховена и Лос-Аламоса оценили надежность этого подхода, используя LBM для моделирования изменяющегося во времени поведения в различных сложных потоках. Они обнаружили, что «ванильные» архитектуры нейронных сетей без применения физических свойств имеют очень ограниченную точность при расчете столкновений частиц.
Тем не менее, за счет включения уникальных физических свойств реальных течений, включая законы сохранения и пространственную симметрию, их точность в воспроизведении изменяющейся во времени динамики может повыситься примерно на 4 порядка. Авторы надеются, что их открытия могут иметь важные последствия для гидродинамики : они позволят исследователям моделировать системы, включающие смеси газов, турбулентные потоки, а также более экзотические квантовые жидкости.
Теги: ИИ, квант