Cílem spolupráce je výrazně zrychlit jednu z nejnáročnějších simulací ve fyzice, chování plazmatu, onoho nabitého a turbulentního „čtvrtého skupenství hmoty”, jež vyplňuje hvězdy, termojaderné reaktory i prostor kolem naší planety, tím, že části fyziky necháme naučit se neuronové sítě. Klasické simulace typu particle-in-cell (PIC) spotřebují obrovské množství strojového času opakovaným řešením stále stejných rovnic (Poissonovy, Maxwellovy, Vlasovovy–Poissonovy), které popisují, jak z pohybujících se nábojů vznikají elektrická a magnetická pole. Společný tým FIT ČVUT a Berkley trénuje modely strojového učení, jež tyto výpočty přímo odhadují, zachovávají přesnost tam, kde na ní záleží a zkracují dobu výpočtu z hodin na minuty u úloh, které by jinak byly mimo dosah.
Druhá linie výzkumu řeší dlouhodobý problém PIC kódů (šumu z částic). Protože simulované plazma je zastoupeno konečným počtem makročástic, pole spočtená z jejich poloh jsou zatížená statistickým šumem. Jednoduché řešení, tj. použít víc částic, je výpočetně velmi náročné. Tým proto zkoumá metody založené na strojovém učení, konkrétně denoisery a fyzikálně informované neuronové sítě (PINN), které dokážou ze zašuměných dat rekonstruovat pole a přitom zachovat fyzikální zákony. Cílem je oddělit skutečný signál od šumu s využitím znalosti rovnic.
Třetí směr jde ještě dál – trénuje emulátory, které dokážou „přeskočit” více časových kroků najednou. To by umožnilo efektivněji simulovat jevy probíhající na velmi rozdílných časových a prostorových škálách.
Pověst Berkeley ve fyzice a výpočetní vědě nemá obdoby, FIT ČVUT si však přináší svou vlastní, osobitou sílu. Fakulta vybudovala pevnou tradici ve strojovém učení a aplikované matematice a její studenti jsou talentovaní, vybíráni vysoce konkurenčním procesem a vedeni k tomu, aby silná teorie šla ruku v ruce se skutečnou schopností.
Doktorand Ing. Matěj Jech pod vedením Mgr. Alexandera Kovalenka, Ph.D. přispívá do WarpX, open-source PIC frameworku třídy exascale vyvíjeného týmem v Berkeley a využívaného fyziky plazmatu po celém světě.
„Naše práce si klade za cíl integrovat komponenty strojového učení přímo do kódu WarpX, takže pokroky vzešlé ze spolupráce nezůstanou uvězněny v článcích, ale skončí jako nástroje, které si širší komunita může stáhnout, prohlédnout a stavět na nich,” říká Matěj Jech.
- Jaké je cílem spolupráce mezi ČVUT a Berkeley?
- Cílem je zrychlit simulace plazmatu pomocí strojového učení, což umožní efektivnější výpočty.
- Co je to plazma a proč je důležité?
- Plazma je čtvrté skupenství hmoty, které se vyskytuje v hvězdách a reaktorech. Je důležité pro pochopení mnoha fyzikálních procesů.
- Jaké metody strojového učení se používají?
- Tým zkoumá denoisery a fyzikálně informované neuronové sítě, které pomáhají rekonstruovat pole z zašuměných dat.
- Jaké výhody přináší strojové učení pro simulace?
- Strojové učení zkracuje dobu výpočtu z hodin na minuty a zvyšuje přesnost simulací, což umožňuje řešit složitější úlohy.