Poboljšanje simulacija fluida sa ugrađenim neuronskim mrežama

Poboljšanje simulacija fluida sa ugrađenim neuronskim mrežama

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.