Искусственный интеллект и численные методы: нейронные операторы и суррогатное моделирование
Сдвиг парадигмы в вычислительной математике
Традиционные численные методы, такие как метод конечных элементов (МКЭ) или конечных разностей (МКР), требуют колоссальных вычислительных мощностей при моделировании сложных физических процессов в высоком разрешении. Расчет аэродинамики нового автомобиля или симуляция климатических изменений может занимать недели работы суперкомпьютерного кластера. Сегодня мы наблюдаем исторический сдвиг парадигмы: классическая вычислительная математика объединяется с алгоритмами машинного обучения, порождая совершенно новые подходы к решению дифференциальных уравнений в частных производных (УЧП).
Одним из самых прорывных направлений стало суррогатное моделирование. Вместо того чтобы на каждом шаге проектирования запускать тяжелый классический солвер, инженеры используют этот солвер для создания обучающей выборки. Затем глубокая нейронная сеть обучается предсказывать результат вычислений (например, распределение напряжений в балке) на основе входных параметров геометрии. Обученная нейросеть (суррогатная модель) выдает ответ за миллисекунды, ускоряя процесс оптимизации в десятки тысяч раз. Однако обычные нейросети плохо обобщают данные за пределами обучающей выборки, поэтому математики пошли дальше.
Нейронные операторы: обучение независимости от сетки
Фундаментальным недостатком классических нейронных сетей (например, сверточных CNN) в задачах физического моделирования является их жесткая привязка к дискретной сетке. Если сеть обучена на сетке 100x100 узлов, она не сможет работать на сетке 200x200 без полного переобучения. Настоящим прорывом стало создание нейронных операторов, самым известным из которых является Фурье-нейронный оператор (Fourier Neural Operator, FNO).
Нейронные операторы учатся отображать одно бесконечномерное функциональное пространство в другое. FNO использует теорему о свертке и выполняет основную часть вычислений не в физическом пространстве, а в спектральном пространстве Фурье. Сеть отбрасывает высокочастотный шум и обучается на низкочастотных гармониках, определяющих основную физику процесса. Результатом является алгоритм, который абсолютно независим от расчетной сетки (mesh-free). Обучив FNO на грубой сетке, инженер может запросить у сети предсказание на сверхдетальной мелкой сетке (Zero-Shot Super-Resolution), и алгоритм мгновенно выдаст физически корректный результат. Эта технология уже применяется для сверхбыстрого предсказания свойств многофазных жидкостей в пористых средах (добыча нефти) и прогнозирования погоды.