Ученые Уральского федерального университета, Института металлургии УрО РАН и Института физики высоких давлений РАН обнаружили, что искусственный интеллект может переносить описание свойств одних металлических сплавов на другие, которые сильно отличаются по своему составу. Этот навык позволяет задавать необходимые свойства при моделировании материалов. Новую характеристику ИИ назвали композиционной переносимостью. Результаты исследования опубликованы в Journal of Molecular Liquids.

Исследователи занимались тренировкой потенциалов машинного обучения Deep Neural Network Potentials (DNNP), основанных на глубоких нейронных сетях. Они необходимы для описания взаимодействия атомов в системе, создания характеристики их движения и расположения. Глубокие нейросети отличаются высокой производительностью, состоят из нескольких слоев, которые организованы по принципу деятельности мозга. DNNP применяют при определении объектов, машинном переводе и распознавании речи.

«Нашей задачей было установить, какие параметры — количество слоев нейросети, количество нейронов в каждом слое и т. д. — оказывают наиболее существенное влияние на DNNP, на условия обучения потенциалов, такие как скорость и стабильность. Знания, полученные в результате исследований, позволяют увеличить точность и вычислительную производительность DNNP», — рассказал Роман Рыльцев, профессор учебно-научного центра «Информационная безопасность» УрФУ, заведующий лабораторией неупорядоченных систем Института металлургии УрО РАН, руководитель исследований и соавтор статьи.

Испытания проводились на расплавах алюминия, меди и никеля. Изученность этих материалов, их жаропрочность и стойкость к коррозии расширяет возможности применять их на практике и тщательно тестировать на них потенциалы. Было исследовано десять расплавов и несколько десятков потенциалов разных параметров. Результаты показали, какие параметры увеличивают эффективность DNNP, где их можно использовать для создания точных и быстрых вычислений и прогнозов. Также ученые установили, что если сжать модель DNNP, что напоминает архивацию файлов, то вычислительная производительность потенциалов увеличится в шесть раз, не теряя своей точности.

«Полученные данные открывают перспективы разработки универсальных потенциалов для высокоточного, высокопроизводительного и экономичного прогнозирования, программирования и создания широкого спектра новых материалов с заданной структурой и свойствами (твердости, вязкости, проводимости и т. д.), конкретно — многокомпонентных металлических сплавов», — отметил Роман Рыльцев.

Ученые планируют установить, насколько композиционная переносимость универсальна для глубоких нейросетей, может ли она описывать и изменять системы, где компонентов больше, чем в расплавах алюминия, меди и никеля.

Источник фото: urfu.ru