Физически информированные нейросети: как ИИ помогает рассчитывать распространение нефти и газа, отводить тепло от видеокарт и улучшать системы кондиционирования
28 августа 2024![Физически информированные нейросети: как ИИ помогает рассчитывать распространение нефти и газа, отводить тепло от видеокарт и улучшать системы кондиционирования](/upload/iblock/fb0/85iutfmzulkc7b8oyciewx3hqo78tx9i/photo_2024_08_19_10_13_13.jpg)
Нейронные сети всё чаще применяются не только в социальных медиа, но и помогают решать серьёзные научно-технические задачи. О востребованности физически информированных нейронных сетей рассказал эксперт в этой области, руководитель лаборатории искусственного интеллекта института № 8 «Компьютерные науки и прикладная математика» МАИ Вадим Кондаратцев.
Классические нейронные сети давно распространены в повседневной жизни: с их помощью создают изображения, пишут истории и даже делают видеоролики. Но мало кто знает о физически информированных нейронных сетях (Physics Informed Neural Networks, PINN), которые всё более плодотворно используются в самых различных областях науки и техники.
— Физически информированные нейронные сети отличаются от других нейросетей тем, что в самой их структуре учитывается физическая модель реального мира. Благодаря этому предсказания таких сетей интерпретируемы и согласуются с физическими законами, — отмечает эксперт.
Чтобы классическая нейронная сеть дала достоверный результат (например, смогла правильно распознать движущийся объект — человек это, автомобиль или, скажем, дерево), ей необходимо учиться на миллионах единиц данных из специальных датасетов. Получить доступ к таким датасетам не всегда возможно и по карману. Физически информированные нейронные сети можно научить с привлечением намного меньшего объёма данных. В сеть встраиваются математические формулы, научно описывающие те или иные физические процессы, которые помогают нейросети оценивать данные и делать достоверные выводы. В результате, даже не разбираясь в тонкостях тех или иных процессов, разработчик благодаря использованию такой нейросети может приходить к научно правильным выводам в расчётах, которые производятся со скоростью, сопоставимой со скоростью суперкомпьютера.
Таким образом, PINN позволяют при существенной экономии времени и материальных ресурсов решать сложнейшие задачи в узкоспециальных областях. Но среди учёных-разработчиков популярность они снискали за возможность задавать в функциях ошибки верифицированные уравнения, что позволяет гарантировать соответствие результатов их работы реальным физическим процессам.
Разработки при помощи PINN ведутся в интересах таких индустриальных гигантов, как Siemens, Газпром, Сбер. И это не случайно. Физически информированные нейросети очень хорошо справляются с самыми разными сложнейшими задачами: от расчёта потоков крови по кровеносным сосудам до распространения нефти и газа в земляных пластах, отвода тепла от компьютерных видеокарт и автомобильных двигателей и анализа потока воздуха в системах кондиционирования. Говоря научным языком, они применяются во всех разработках, которые касаются «механики сплошных сред»: потоков воздуха, жидкостей, электромагнитных волн.
Разработки в области PINN главным образом ведутся в трёх странах: России, США и Китае. В России главными центрами компетенции являются Сколтех и МАИ. Ведущий авиационный вуз специализируется на решении с их помощью задач в аэрокосмической сфере. В частности, именно физически информированные нейросети лучше всего позволяют учесть взаимовлияние нескольких объектов друг на друга, например, влияние самолёта на запущенный с его борта беспилотник.
— На сегодняшний день школа МАИ — одна из самых сильных в этой сфере. Так получилось потому, что наша школа создана не из научных соображений, как в западной традиции, а из практики: российские учёные в первую очередь нацелены на практический результат. К сожалению, если взять статьи или исследовательские работы, которые выходят в этом направлении по всему миру, то, по моему мнению, реально приложить к практике можно только 5%. Наша российская школа отличается тем, что мы отбрасываем все варианты, которые красивы с научной точки зрения, но никогда не будут работать в жизни. Например, на одной конференции зарубежные коллеги представили нейросеть, которая аппроксимирует отрывную волну у сопла авиационного двигателя. Это здорово, но только реально такую сеть никогда не применят, потому что это единственный случай, в котором она работает. Нам же нужны универсальные решения, чтобы нейросеть рассчитывала комплекс задач и выдавала готовый результат, который можно использовать. И поэтому наш интерес в первую очередь в том, чтобы создать конечный продукт. И мы накопили такой ряд решений, которые действительно работают, хотя они, может быть, и не всегда красивы с научной точки зрения, — говорит Вадим Кондаратцев.
Эксперт рассказал о наиболее интересных с его точки зрения научно-технических проектах, которые разрабатываются в обоих ведущих российских центрах компетенций:
— У Сколтеха мне очень понравилась разработка, где на основе PINN построена модель анализа потока воздуха в системах кондиционирования, чтобы более корректно оценивать уровень загрязнённости и примесей. Получился довольно интересный кейс, когда не нужно ставить каких-то сложных фильтров или уловителей. Достаточно обычного лазерного луча, который анализирует срез воздуха на наличие пылинок или ещё каких-то примесей, и только на основе одного точечного среза можно достаточно хорошо установить свойства воздуха. Физически информированные нейронные сети помогают строить такие датчики.
В МАИ в последнее время PINN успешно применяются в теоретической механике. Физически информированные нейронные сети помогают предсказывать разрушение твёрдых тел (вращающихся дисков, маховиков) при сверхкритических перегрузках — очень важной теме для всей аэрокосмической промышленности. Раньше такие задачи решались при помощи только сложнейшего и дорогостоящего суперкомпьютерного моделирования.
Материал подготовлен при поддержке Минобрнауки России.