Sains

Teknik AI baru untuk memecahkan persamaan yang kompleks dalam fisika

Tim telah meningkatkan kemampuan jaringan saraf yang diformis fisika (PINNS), sejenis kecerdasan buatan yang menggabungkan hukum fisik ke dalam proses pembelajaran.

Para peneliti dari Institute of Cosmos Sciences of University of Barcelona (ICCUB) telah mengembangkan kerangka kerja baru berdasarkan pembelajaran mesin yang secara signifikan meningkatkan resolusi persamaan diferensial yang kompleks, terutama dalam kasus -kasus di mana metode tradisional menghadirkan kesulitan. Studi yang dipimpin oleh para ahli Pedro Tarancón -álvarez dan Pablo Tejerina-Pérez, telah diterbitkan dalam jurnal (Nature Publishing Group).

Persamaan diferensial adalah alat mendasar dalam fisika: mereka digunakan untuk menggambarkan fenomena mulai dari dinamika fluida hingga relativitas umum. Tetapi ketika persamaan ini menjadi kaku (yaitu mereka melibatkan skala yang sangat berbeda atau parameter yang sangat sensitif), mereka menjadi sangat sulit untuk dipecahkan. Ini sangat relevan dalam masalah terbalik, di mana para ilmuwan mencoba menyimpulkan hukum fisik yang tidak diketahui dari data yang diamati.

Untuk mengatasi tantangan ini, para peneliti telah meningkatkan kemampuan jaringan saraf yang informasi fisika (PINN), sejenis kecerdasan buatan yang menggabungkan hukum fisik ke dalam proses pembelajarannya.

Pendekatan mereka menggabungkan dua teknik inovatif: pelatihan multi -head (MH), yang memungkinkan jaringan saraf untuk mempelajari ruang umum solusi untuk keluarga persamaan -daripada hanya satu kasus spesifik -, dan regularisasi unimodular (UR), yang diilhami oleh konsep dari geometri diferensial dan relativitas umum, yang menstabilkan proses pembelajaran dan meningkatkan kemampuan jaringan untuk menggeneralisasikan.

Metode -metode ini berhasil diterapkan pada tiga sistem yang semakin kompleks: persamaan api, osilator van der pol, dan persamaan bidang Einstein dalam konteks holografik. Dalam kasus terakhir, para peneliti dapat memulihkan fungsi fisik yang tidak diketahui dari data sintetis, tugas yang sebelumnya dianggap hampir mustahil.

“Kemajuan terbaru dalam efisiensi pelatihan pembelajaran mesin telah membuat pinn semakin populer dalam beberapa tahun terakhir,” kata Pedro Tarancón-álvarez, kandidat doktor di ICCUB. “Kerangka kerja ini menawarkan beberapa fitur baru dibandingkan dengan metode numerik tradisional, terutama kemampuan untuk memecahkan masalah terbalik.”

“Memecahkan masalah terbalik ini seperti mencoba menemukan solusi untuk masalah yang kehilangan sepotong; bagian yang benar akan memiliki solusi unik, yang salah mungkin tidak memiliki solusi, atau beberapa yang,” tambah Pablo Tejerina-Pérez, kandidat doktoral di ICCUB. “Orang bisa mencoba menciptakan bagian yang hilang dari masalah dan kemudian melihat apakah itu dapat diselesaikan dengan benar – pinn kami melakukan hal yang sama, tetapi dengan cara yang jauh lebih pintar dan efisien daripada yang kita bisa.”

Artikel referensi:

Tarancón-Alvarez, Pedro; Tejerina-Pérez, Pablo; Jiménez, Raúl; Protopapas, Pavlos. “Pinns yang efisien melalui peraturan multi-hoad unimodular dari ruang solusi»., Agustus 2025. Doi: 10.1038/s42005-025-02248-1.

Source

Related Articles

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

Back to top button