THOR AI resolve um problema de física de 100 anos em segundos

Esses cálculos são essenciais para prever o comportamento termodinâmico e mecânico dos materiais. Para tornar o sistema mais poderoso, os pesquisadores combinaram a estrutura com potenciais de aprendizado de máquina que capturam como os átomos interagem e se movem. Essa integração permite que os cientistas modelem materiais com precisão e eficiência em uma ampla variedade de ambientes físicos.

“A integral configuracional – que captura interações de partículas – é notoriamente difícil e demorada de avaliar, particularmente em aplicações de ciência de materiais que envolvem pressões extremas ou transições de fase”, disse Boian Alexandrov, cientista sênior de IA de Los Alamos, que liderou o projeto. “A determinação precisa do comportamento termodinâmico aprofunda nossa compreensão científica da mecânica estatística e informa áreas-chave como a metalurgia.”

Por que integrais configuracionais são tão difíceis de calcular

Durante décadas, os pesquisadores dependeram de técnicas computacionais indiretas, como dinâmica molecular e simulações de Monte Carlo, para estimar integrais configuracionais. Esses métodos tentam reproduzir o movimento dos átomos simulando um enorme número de interações durante longos períodos.

O principal obstáculo vem do que os cientistas chamam de “maldição da dimensionalidade”. À medida que o número de variáveis ​​cresce, a complexidade dos cálculos aumenta exponencialmente. Até os supercomputadores mais avançados enfrentam esse desafio. Como resultado, as simulações geralmente duram semanas e ainda fornecem apenas respostas aproximadas.

Dimiter Petsev, professor do Departamento de Engenharia Química e Biológica da UNM, colabora frequentemente com Alexandrov em pesquisas em ciência de materiais. Quando Alexandrov descreveu a estratégia computacional que sua equipe havia desenvolvido, Petsev percebeu que a técnica poderia oferecer uma maneira de avaliar diretamente a integral configuracional na mecânica estatística.

“Tradicionalmente, resolver diretamente a integral configuracional tem sido considerado impossível porque a integral frequentemente envolve dimensões da ordem de milhares. As técnicas clássicas de integração exigiriam tempos computacionais superiores à idade do universo, mesmo com computadores modernos”, disse Petsev. “Os métodos de rede tensor, no entanto, oferecem um novo padrão de precisão e eficiência contra o qual outras abordagens podem ser comparadas.”

THOR AI torna práticos cálculos de alta dimensão

THOR AI converte esse problema aparentemente incontrolável em algo que pode ser resolvido de forma eficiente. Ele faz isso expressando o enorme conjunto de dados de alta dimensão do integrando como uma sequência de peças menores conectadas. A estrutura depende de uma estratégia matemática conhecida como “interpolação cruzada do trem tensor” para obter essa compressão.

Os pesquisadores também desenvolveram uma versão especializada do método que detecta as principais simetrias dos cristais dentro do material. Ao identificar esses padrões, o THOR AI reduz drasticamente a quantidade de computação necessária. Cálculos que antes exigiam milhares de horas agora podem ser concluídos em segundos sem sacrificar a precisão.

Simulações mais rápidas para ciência e física de materiais

A equipe testou o THOR AI em vários sistemas de materiais. Estes incluíam metais como o cobre, gases nobres sob extrema pressão, como o argônio em estado cristalino, e a complexa transição de fase sólido-sólida do estanho. Em cada caso, o novo método reproduziu resultados obtidos anteriormente em simulações avançadas de Los Alamos enquanto funcionava mais de 400 vezes mais rápido.

A estrutura também se integra perfeitamente aos modernos modelos atômicos de aprendizado de máquina, permitindo analisar materiais sob uma ampla variedade de condições. Devido a essa flexibilidade, os pesquisadores dizem que o THOR AI pode se tornar uma ferramenta valiosa na ciência dos materiais, física e química.

“Esta descoberta substitui simulações e aproximações centenárias de integral configuracional por um cálculo de primeiros princípios”, disse Duc Truong, cientista de Los Alamos e principal autor do estudo publicado na Physical Review Materials. “THOR AI abre a porta para descobertas mais rápidas e uma compreensão mais profunda dos materiais.”

O Projeto THOR está disponível em GitHub.