Алгоритм ИИ из EPFL научили моделировать динамику, строго соблюдая законы физики

Несмотря на значительные успехи искусственного интеллекта, многие модели по-прежнему плохо справляются с задачами, требующими понимания физических взаимодействий. В отличие от человека, который интуитивно понимает, как объекты падают, отскакивают или передают силу, алгоритмы часто дают несогласованные прогнозы по мере накопления ошибок во времени. Это серьёзно ограничивает их применение в инженерии и науке — например, при моделировании движения человека, столкновений частиц или работы механизмов.

С другой стороны, классические физические модели строго следуют законам природы, но требуют значительных вычислительных ресурсов и плохо адаптируются к новым условиям без повторного моделирования.

Чтобы объединить преимущества обоих подходов, учёные лаборатории Intelligent Maintenance and Operations Systems (IMOS) разработали алгоритм Dynami-CAL GraphNet — модель, которая изначально встроена в рамки физики и способна постоянно соблюдать её законы в процессе симуляции.

По словам аспиранта лаборатории IMOS Виная Шармы, внедрение третьего закона Ньютона позволило перейти от моделей, которые пытаются вывести физическое поведение из данных, к архитектуре, изначально построенной для следования базовым физическим принципам.

В основе системы лежит графовая нейронная сеть (GNN), где объекты представлены узлами, а их взаимодействия — рёбрами. Такой подход особенно эффективен для моделирования систем с большим числом взаимосвязанных компонентов. В Dynami-CAL GraphNet третий закон Ньютона встроен непосредственно в архитектуру, что позволяет получать физически согласованные прогнозы и предотвращать нереалистичные оценки сил даже в ранее не встречавшихся сценариях.

По словам руководителя лаборатории IMOS профессора Ольги Финк, большинство существующих моделей начинают «расходиться» уже после нескольких итераций, тогда как новая система способна выполнять более 16 тысяч последовательных шагов без нарушения физических законов. Универсальность третьего закона Ньютона позволяет алгоритму не только обобщать знания на похожие задачи, но и экстраполировать их на совершенно новые условия — способность, которая редко встречается в машинном обучении.

Алгоритм эффективно работает с системами, содержащими большое количество объектов, высокие скорости и сложные конфигурации. В ходе испытаний исследователи моделировали столкновения гранулированных сфер, аналогичные процессам в промышленных миксерах или силосах. Обученная всего на четырёх симуляциях простых систем с десятками частиц, модель успешно перенесла знания на сценарии с тысячами частиц и вращающимися стенками.

Система также показала высокую точность при моделировании человеческого движения, предсказывая походку на основе данных захвата движения без прямой информации о силах реакции опоры. Кроме того, алгоритм применили на микроскопическом уровне — для моделирования динамики белковых молекул в растворителе, где он смог корректно предсказать постепенные деформации.

Одним из ключевых преимуществ Dynami-CAL GraphNet является возможность обучения на очень небольших наборах данных с последующим переносом на новые конфигурации, условия и масштабы систем при сохранении физических закономерностей.

Ещё одно важное отличие — прозрачность работы модели. В отличие от «чёрных ящиков», алгоритм пошагово рассчитывает физические величины, включая силы, моменты и обмен угловым моментом, что позволяет пользователям интерпретировать результаты и проверять их на соответствие законам сохранения. По словам Финк, именно такая интерпретируемость формирует доверие к системе, особенно в критически важных инженерных приложениях.

Разработка может стать важным шагом к созданию более надёжных цифровых двойников, ускорению научных исследований и повышению точности инженерных симуляций, где требуется одновременно высокая вычислительная эффективность и строгая физическая корректность.