Z Prahy do Berkeley: Jak učíme stroje objevovat fyziku
FIT ČVUT zahájila spolupráci s UC Berkeley s cílem výrazně zrychlit simulace plazmatu ve fyzice, zejména prostřednictvím metod PIC. Společně testují modely strojového učení, denoisery a fyzikálně informované neuronové sítě PINN, které dokážou ze zašuměných dat rekonstruovat pole a zachovat fyzikální zákony. Dále se vyvíjejí emulátory, které umožní překročit více časových kroků a efektivněji simulovat jevy na různých časových a prostorových škálách. Doktorand Matěj Jech pod vedením Alexandra Kovalenka přispívá do WarpX, open-source PIC frameworku tříd exascale vyvíjeného týmem v Berkeley, a pracuje na integraci komponent strojového učení do kódu WarpX, aby výsledky mohly být volně dostupné širší komunitě.
Fakulta informačních technologií ČVUT v Praze (FIT ČVUT) zahájila novou výzkumnou spolupráci s Kalifornskou univerzitou v Berkeley, jednou z nejprestižnějších univerzit světa a dlouholetou špičkou v oblasti výpočetní vědy, fyziky i umělé inteligence. S bohatou historií nositelů Nobelovy ceny a průkopnickými objevy sahajícími od cyklotronu až po moderní vysoce výkonné počítání nastavuje Berkeley ten nejvyšší standard vědecké excelence.
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.
Fakulta informačních technologií ČVUT v Praze
