Dok neuronske mreže mogu pomoći da se poboljša tačnost simulacija protoka tečnosti, nova istraživanja pokazuju kako je njihova tačnost ograničena ako se ne uzme pravi pristup. Ugrađivanjem svojstava fluida u neuronske mreže, tačnost simulacije se može poboljšati za redove veličine.
Rešetka Bolcmanova metoda (LBM) je tehnika simulacije koja se koristi za opisivanje dinamike fluida. U poslednje vreme postoji sve veći interes za korišćenje neuronskih mreža za računarsko modeliranje fluida. Rezultati saradnje između istraživača sa Tehnološkog univerziteta u Ajndhovenu i Nacionalne laboratorije Los Alamos, objavljeni u The European Phisical Journal E, pokazuju kako se neuronske mreže mogu ugraditi u LBM okvir za modeliranje sudara između čestica tečnosti.
Tim je otkrio da je neophodno ugraditi ispravna fizička svojstva u arhitekturu neuronske mreže kako bi se sačuvala tačnost. Ova otkrića bi mogla produbiti razumevanje istraživača o tome kako da modeluju tokove tečnosti.
LBM funkcioniše tako što deli tokove na mreže sićušnih ćelija: prati kretanje čestica između ćelija, a zatim izračunava kako se distribucija čestica u svakoj ćeliji menja tokom vremena. Jedan od ključnih zahteva LBM-a je modeliranje sudara između čestica. Nekoliko različitih modela je sada sposobno da to urade, a odgovarajućim ponovnim kreiranjem ovih sudara unutar LBM-a, istraživači ih sada mogu koristiti za modeliranje raznolikog niza sistema protoka.
U svojoj studiji, timovi iz Ajndhovena i Los Alamosa procenili su pouzdanost ovog pristupa koristeći LBM za modeliranje ponašanja koje se menja u vremenu u različitim složenim tokovima. Otkrili su da arhitekture neuronskih mreža ‘vanile’, bez primene fizičkih svojstava, imaju veoma ograničenu tačnost pri izračunavanju sudara čestica.
Ipak, ugrađivanjem jedinstvenih fizičkih svojstava stvarnih tokova — uključujući zakone očuvanja i prostorne simetrije — njihova tačnost u reprodukciji vremenski promenljive dinamike može se poboljšati za oko 4 reda veličine. Autori se nadaju da bi njihova otkrića mogla imati važne implikacije na dinamiku fluida: omogućavajući istraživačima da simuliraju sisteme uključujući mešavine gasova, turbulentne tokove, kao i egzotičnije kvantne fluide.
