Ve fyzice existuje spousta jevů, které vypadají na první pohled chaoticky, ale ve skutečnosti mají svá pevná pravidla. Jedním z nich jsou takzvané topologické defekty. Nepravidelnosti, které vznikají ve chvíli, kdy se systém mění z jednoduchého, symetrického stavu do složitější podoby. Tyto drobné „poruchy“ přitom často rozhodují o tom, jak se bude materiál chovat.

Podobné defekty se objevují napříč přírodou. Od struktur ve vesmíru až po běžné materiály, se kterými pracuje moderní průmysl. Právě proto jim fyzici věnují tolik pozornosti. Problém je, že jejich studium bývá extrémně náročné. Ne kvůli nedostatku teorie, ale kvůli času, který zabere samotný výpočet.

Kapalinové krystaly jako zkušební pole

Jedním z nejlepších modelových systémů jsou kapalinové krystaly. Molekuly v nich nejsou pevně sevřené, ale přesto se orientují podobným směrem. Díky tomu se v nich defekty snadno vytvářejí, přesouvají i zanikají. Pro fyziky jsou tak ideální laboratoří, kde mohou sledovat, jak se řád a neřád prolínají.

Popis těchto jevů je dobře známý a stojí na zavedených fyzikálních modelech. Jenže jejich numerické řešení je těžkopádné. Každá změna podmínek znamená nový výpočet, nové iterace a často i dlouhé čekání. Pokud chce někdo prozkoumat větší množství variant, narazí velmi rychle na praktické limity.

Právě tady vstupuje do hry umělá inteligence.

Místo počítání učení

Výzkumný tým z Jižní Koreje zvolil jiný přístup. Namísto toho, aby znovu a znovu řešil složité rovnice, nechal neuronovou síť, aby se chování defektů naučila z dat. Model byl trénován na výsledcích klasických simulací a postupně si vytvořil vlastní „intuici“ o tom, jak se systém chová.

Výsledek je překvapivý hlavně svou rychlostí. Zatímco běžné simulace zabírají hodiny, umělá inteligence dokáže navrhnout stabilní uspořádání během milisekund. A nejde jen o hrubý odhad. Předpovědi velmi přesně odpovídají jak tradičním výpočtům, tak reálným experimentům.

Síť pracuje s prostorovými daty a dokáže současně vnímat celkové uspořádání i jemné detaily v místech, kde se struktura láme. Zvládá i složité situace, kdy se defekty spojují, rozpadají nebo mění charakter. To jsou scénáře, které bývají pro klasické metody obzvlášť problematické.

Důležité je, že model nepoužívá fyzikální rovnice přímo. Neřeší je krok za krokem, ale učí se jejich důsledky. Díky tomu dokáže reagovat i na konfigurace, které během tréninku nikdy neviděl.

Rychlejší vývoj, méně slepých cest

Takový přístup může zásadně změnit způsob, jakým se navrhují nové materiály. Pokud je možné během krátké doby projít obrovské množství konfigurací, odpadá velká část zdlouhavého testování. Výzkumníci se mohou soustředit na hledání struktur s konkrétními vlastnostmi místo nekonečného ladění parametrů.

To má přímý dopad na oblasti, kde hrají defekty klíčovou roli. Optické prvky, metamateriály, adaptivní systémy nebo chytrá okna jsou jen některé z příkladů. Zkrácení vývojového procesu z týdnů na hodiny může znamenat rychlejší inovace i nižší náklady.

Celý přístup zároveň ukazuje, že umělá inteligence nemusí fyziku nahrazovat. Spíš ji rozšiřuje tam, kde tradiční nástroje začínají být nepraktické. Místo soupeře se z ní stává pomocník, který umožňuje dívat se na složité systémy novým způsobem. A právě to z něj dělá jednu z nejzajímavějších technologií současného výzkumu.