Физически информированный интеллект: как работают нейросети, которые знают о реальном мире все
Что такое физически информированные нейросети и где их применяют
Классические нейронные сети давно используются в повседневной жизни: с их помощью создают изображения, пишут истории и генерируют видео. Но мало кто знает о физически информированных нейронных сетях — Physics Informed Neural Networks (PINN), — которые все 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 Вадим Кондаратцев.
Для того, 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 объема 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 расчетах, которые производятся со скоростью, сопоставимой со скоростью суперкомпьютера.
Таки, PINN позволяют при существенной экономии времени и материальных ресурсов решать сложнейшие задачи в узкоспециальных областях. Но среди ученых-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 задачами: от расчетов распространения нефти и газа в земляных пластах и до анализа потока воздуха в системах кондиционирования. Говоря научным языком, они применяются во всех разработках, которые касаются «механики сплошных сред»: потоков воздуха, жидкостей, электромагнитных волн.
Лидеры в области PINN
Разработки в области PINN главным образом ведутся в трех странах: России, США и Китае. В России главными центрами компетенции считаются Сколтех и МАИ.
«Российская школа PINN отличается тем, что мы отбрасываем все варианты, которые красивы с научной точки зрения, но никогда не будут работать на практике. Например, на одной конференции зарубежные коллеги представили нейросеть, которая аппроксимирует отрывную волну у сопла авиационного двигателя. Это здорово, но только в жизни 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 готовое решение, которое можно использовать на практике. И поэтому наш интерес вызван в первую очередь тем, чтобы создать конечный продукт», – объясняет эксперт.
Что изобретают в российских центрах компетенций
«У Сколтеха понравилась разработка, где на основе PINN строится модель анализа потока воздуха в системах кондиционирования — для того, чтобы более корректно оценивать уровень загрязненности 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 еще каких-то примесей, и только на основе одного точечного среза можно установить свойства воздуха. Физически информированные нейронные сети помогают строить такие датчики», — рассказывает Вадим Кондаратцев.
В МАИ в последнее время PINN успешно применяются в теоретической механике. Физически информированные нейронные сети помогают предсказывать разрушение твердых тел (вращающихся дисков, маховиков) при сверхкритических перегрузках — это очень важно для всей аэрокосмической промышленности. Раньше такие задачи решались лишь при помощи сложного и дорогого суперкомпьютерного моделирования.
Материал подготовлен при поддержке Минобрнауки России.