Проблема, появившаяся ещё на заре физики элементарных частиц около 100 лет назад, долгое время считалась практически непреодолимой. Речь идёт о вычислении так называемых конфигурационных интегралов — ключевых величин, позволяющих описывать свойства материалов на атомном уровне.

Сложность задачи оказалась настолько высокой, что её точное решение потребовало бы времени, превышающего возраст Вселенной. В итоге учёные были вынуждены искать обходные пути.

Как обходили проблему раньше

Неспособность решать задачу напрямую привела к развитию статистической физики. Появились приближённые методы, включая:

• моделирование методом Монте-Карло;

• различные статистические модели поведения частиц.

Однако даже с использованием суперкомпьютеров такие расчёты могли занимать недели и месяцы. При этом зачастую приходилось жертвовать точностью ради приемлемой скорости, особенно при изучении сложных материалов или экстремальных условий.

Что изменил THOR

Команда исследователей из Университета Нью-Мексико и Лос-Аламосской национальной лаборатории предложила новый подход — ИИ-фреймворк THOR (Tensors for High-dimensional Object Representation).

Он сочетает несколько современных методов:

• тензорные сети;

• машинное обучение;

• тензорную кросс-интерполяцию.

Главная идея — разбить сверхсложную многомерную задачу на последовательность более простых вычислений. При этом алгоритм автоматически учитывает симметрии кристаллической структуры, что резко сокращает объём вычислений без заметной потери точности.

Результат впечатляет: в отдельных случаях ускорение достигает более чем в 400 раз по сравнению с классическими подходами.

Проверка на реальных материалах

Метод уже протестировали на различных системах, включая:

• медь;

• кристаллический аргон при высоком давлении;

• фазовые переходы в олове.

Во всех тестах THOR показал результаты, практически совпадающие с эталонными симуляциями, но потребовал значительно меньше времени на расчёты.

Почему это важно

Новый инструмент может серьёзно повлиять на целый ряд научных областей:

• материаловедение;

• физика твёрдого тела;

• химия.

С его помощью станет возможным быстрее и точнее предсказывать свойства новых материалов, ускорять разработку сплавов, сверхпроводников и решений для энергетики или экстремальных условий.

Дополнительный плюс — разработчики уже позаботились о совместимости THOR с существующими программами для атомного моделирования. Код фреймворка открыт и доступен на GitHub.

THOR показывает, как искусственный интеллект постепенно берётся за задачи, которые ещё недавно считались принципиально неподъёмными — и делает это не просто быстрее, а на порядки эффективнее.