Vědci z University of New Mexico a Los Alamos National Laboratory představili výpočetní rámec, který zásadně mění způsob, jakým lze simulovat chování materiálů. Jeho název - Tensors for High-dimensional Object Representation (THOR) - odkazuje na metodu využívající takzvané tenzorové sítě, které umožňují zpracovat extrémně složité fyzikální vztahy.

Zatímco klasické metody simulace, jako jsou Monte Carlo nebo molekulární dynamika, dokážou procesy pouze přibližně napodobovat, THOR dokáže vypočítat samotné jádro problému - takzvaný konfigurační integrál, tedy matematický popis interakcí mezi jednotlivými částicemi látky.

Podle hlavního autora projektu, Boiana Alexandrova, je to „klíč k hlubšímu pochopení toho, jak se materiály chovají v extrémních podmínkách, ať už jde o tlak, teplotu nebo fázi hmoty“.

Problém starý jako statistická fyzika sama

Výpočet konfiguračního integrálu je noční můrou fyziků už více než sto let. Jde o problém, jehož složitost roste exponenciálně s počtem proměnných - takzvaná kletba dimenzionality. V praxi to znamená, že i nejvýkonnější superpočítače by potřebovaly delší čas, než je stáří vesmíru, aby takový výpočet dokončily.

Zdroj: Shutterstock

Profesor Dimiter Petsev z katedry chemického a biologického inženýrství UNM, který na výzkumu spolupracoval, popsal, že se dosud všichni vědci smiřovali jen s přibližnými výsledky. „Přímé řešení bylo dlouho považováno za nemožné. Tenzorové sítě však umožňují rozložit problém na menší části, které lze řešit efektivně a přesně,“ dodává.

Jak THOR AI funguje

Klíčem k úspěchu je metoda zvaná tensor train cross interpolation, která dokáže rozdělit obrovské množství dat do menších, navzájem propojených celků. Tyto menší struktury uchovávají pouze to, co je fyzikálně relevantní - například symetrie krystalů nebo základní vztahy mezi atomy.

Výsledkem je, že to, co dříve trvalo tisíce hodin, zvládne nyní THOR AI během několika sekund, a to bez ztráty přesnosti.

V testech na mědi, argonu a cínu dokázal systém reprodukovat výsledky z předchozích špičkových simulací Los Alamos s rozdílem menším než 0,1 %. A co víc - byl až 400× rychlejší.

Revoluce v materiálové vědě

Tento přístup otevírá úplně nové možnosti ve fyzice i chemii. Díky kombinaci s modely strojového učení, které popisují chování atomů a jejich síly, mohou nyní vědci zkoumat látky při teplotách a tlacích, které by jinak nebylo možné experimentálně ověřit.

„Poprvé máme nástroj, který nahrazuje staré aproximace přímým výpočtem z prvních principů,“ vysvětluje Duc Truong, spoluautor studie publikované v časopise Physical Review Materials. „To znamená nejen přesnější simulace, ale i rychlejší cestu k novým objevům - například u kovů, slitin nebo polovodičů.“

Od teorie k praxi

Potenciální využití THOR AI sahá daleko za hranice akademických laboratoří. Umožní optimalizovat vývoj nových materiálů, baterií, slitin nebo katalyzátorů. V průmyslu by mohl zkrátit čas mezi návrhem materiálu a jeho reálným použitím z let na týdny. Fyzikální komunita přitom tento krok označuje za srovnatelný s přechodem od ručních výpočtů k digitálním počítačům v polovině 20. století.