Создана дорожная карта развития квантово-химических ИИ

МОСКВА, 31 марта. /ТАСС/. Российские и зарубежные физики построили дорожную карту развития систем искусственного интеллекта, применяемых для решения задач квантовой химии и материаловедения. Ее реализация позволит применять ИИ для сверхточного моделирования материалов и производственных процессов, таких как сварка и термообработка, сообщил Центр научной коммуникации МФТИ.

"Для оптимизации производительности этих систем ИИ следует разрабатывать эффективную реализацию для GPU, а также добавить рассмотрение дальнодействующих взаимодействий и усовершенствовать методологии создания баз данных для моделирования. Кроме того, интеграция экспериментальных данных обещает дальнейшее повышение точности и применимости машинно-обученных межатомных потенциалов", - пояснил один из авторов дорожной карты из МФТИ (Долгопрудный) Дмитрий Корогод, чьи слова приводит Центр научной коммуникации вуза.

Как отмечают исследователи, так называемые машинно-обученные потенциалы представляют собой специализированные системы искусственного интеллекта, обученные на небольшой порции результатов полных квантово-химических расчетов. Это позволяет им с достаточно высокой просчитывать межатомные взаимодействия и при этом тратить на эти расчеты в разы меньше времени, чем требуется для классических алгоритмов.

В теории это дает возможность использовать подобные системы ИИ для изучения свойств сложно устроенных молекул, однако пока среди ученых нет консенсуса насчет того, какие алгоритмы нужно использовать, и как именно нужно развивать эти методики расчетов. Российские и зарубежные исследователи всесторонне изучили плюсы и минусы уже существующих машинно-обученных потенциалов и подготовили дорожную карту их развития.

В частности, российские ученые представили в рамках этого исследования созданные ими системы расчетов на базе так называемых потенциалов моментов инерции (MTP). Они не уступают существующим мировым аналогам по точности, а по производительности их превосходят, а также их можно обучать на отдельных фрагментах сложных систем, что не характерно для остальных машинно-обучаемых потенциалов.

Пока эти технологии сложно применять для проведения сложных расчетов, так как эти алгоритмы полностью приспособлены для работы лишь на центральных процессорах (CPU), а не видеокартах (GPU), которые обладают значительно более высокой вычислительной мощью. Разработка новых версий алгоритмов, адаптированных для работы с GPU, а также включение экспериментальных данных в их работу позволит им максимально приблизиться к точности полноценных квантово-химических расчетов и при этом значительно ускорит их, подытожили исследователи.