Конфигурационные интегралы описывают взаимодействие частиц и позволяют предсказывать термодинамические и механические свойства материалов, что важно для изучения фазовых переходов, поведения веществ под высоким давлением и создания новых материалов. До появления THOR AI такие вычисления были крайне трудоемкими из-за «проклятия размерности»: с увеличением числа переменных сложность растет экспоненциально, и даже суперкомпьютеры справляются с этим с трудом. Ранее ученые использовали приближенные методы, такие как молекулярная динамика или метод Монте-Карло, требующие огромных вычислительных ресурсов.
Новая система применяет методы тензорных сетей, разбивая сложную задачу на более компактные вычисления и используя тензорную интерполяцию. Алгоритм автоматически выявляет симметрии кристаллической структуры материалов, что дополнительно сокращает объем расчетов. Благодаря этому задачи, которые ранее занимали тысячи часов, THOR AI решает за секунды без потери точности.
Система была протестирована на меди, кристаллическом аргоне при высоком давлении и фазовых переходах олова. Результаты совпали с данными более трудоемких симуляций, при этом вычисления выполнялись более чем в 400 раз быстрее. THOR AI также можно интегрировать с моделями машинного обучения для анализа поведения атомов в различных физических условиях.
По мнению авторов, технология ускорит разработку материалов и позволит глубже изучать фундаментальные процессы в физике, химии и материаловедении.
Это интересно:
