AI /ML + Физика, Часть 1: Выбор того, что моделировать [Машинное обучение на основе физики]

• Лекция посвящена улучшению машинного обучения с помощью физики и изучению физики на основе данных.  

• Рассматриваются пять основных этапов машинного обучения, которые можно использовать для внедрения физики.  

• Первый этап - решение проблемы, что именно моделировать и какова цель модели.  

• Первый этап машинного обучения может быть самым сложным и важным.  

• Научный метод и инженерный процесс применимы на этом этапе.  

• Важно четко определить, что моделировать и как использовать модель.  

• Иногда проблема не ясна, и нужно уточнить её формулировку.  

• Важно понимать, какие данные доступны и как их использовать.  

• Процесс уточнения проблемы может происходить на разных этапах.  

• Машинное обучение и эксперименты аналогичны инженерному проектированию.  

• Гипотеза и сбор данных важны для создания модели.  

• Уточнение задачи может происходить в процессе моделирования.  

• Модели машинного обучения должны отражать аспекты физики.  

• Важно понимать, когда машинное обучение является правильным решением.  

• Наука о данных - это процесс постановки вопросов и ответов на них.  

• Машинное обучение не решает проблемы, а помогает моделировать данные.  

• Важно определить, какая модель является правильной и полезной.  

• Обучение модели не обязательно должно быть сложным.  

• Машинное обучение важно для изучения новой физики.  

• Модели машинного обучения могут помочь в сложных системах, где нет управляющих уравнений.  

• Машинное обучение может ускорить открытие новых физических явлений.  

• Машинное обучение может создавать суррогатные модели для сложных систем.  

• Модели машинного обучения часто автоматически дифференцируемы.  

• Это позволяет использовать их в инженерных циклах проектирования и оптимизации.  

• Изучение новой физики имеет смысл, так как мы не понимаем многие процессы.  

• Моделирование сложных мультифизических систем требует машинного обучения.  

• Пример: физика облаков, где сложные процессы требуют многомасштабного моделирования.  

• Машинное обучение помогает моделировать сложные мультифизические системы.  

• Возможность обновления моделей с новыми данными.  

• Примеры: ассимиляция данных и цифровое двойное моделирование.  

• Сверхразрешение позволяет улучшать изображения с низким разрешением.  

• Применение в физике для улучшения экспериментальных измерений и численных вычислений.  

• Важность наличия данных с высоким разрешением для обучения моделей.  

• Возможность открытия новой физики на основе данных наблюдений.  

• Примеры: законы Кеплера и Ньютона.  

• Применение новой физики для улучшения моделей и управления системами.  

• Ускорение поиска материалов и их характеристика с помощью машинного обучения.  

• Применение машинного обучения для оптимизации дизайна материалов.  

• Вычислительная биохимия и химия: понимание сворачивания белков, разработка лекарств и химических реакций.  

• Ускорение высокоточных кодов для моделирования молекул.  

• Примеры успешного применения: разработка вакцины против COVID.  

• Учет законов физики в моделях машинного обучения.  

• Создание цифровых представлений физических объектов для управления и прогнозирования.  

• Моделирование несоответствий между реальными и идеализированными моделями.  

• Применение машинного обучения для улучшения точности цифровых двойников.  

• Оптимизация формы объектов для различных целей: искусственные сердца, самолеты, транспортные суда.  

• Примеры: максимизация подъемной силы и минимизация лобового сопротивления.  

• Цели оптимизации могут быть простыми или сложными.  

• Важно определить, что подразумевается под "улучшением" в проектировании.  

• Машинное обучение может помочь в сложных задачах оптимизации.  

• Оптимизация формы важна для многих отраслей, таких как ветряные турбины и поезда.  

• Необходимо учитывать множество факторов, включая материалы, вес и надежность.  

• Машинное обучение может помочь в многоцелевой оптимизации.  

• Цифровой двойник содержит иерархию моделей с разной степенью достоверности.  

• Модели машинного обучения должны соответствовать требованиям физики.  

• Цифровой двойник обеспечивает гибкость в проектировании.  

• Модели машинного обучения могут быть автоматически дифференцируемыми.  

• Это позволяет проводить оптимизацию без сопряжения.  

• Важно учитывать конечную цель проектирования.  

• В проектировании сложных систем используются данные с разной точностью и стоимостью.  

• Цель создания цифрового двойника - создать суррогатную модель для оптимизации.  

• Хорошая модель машинного обучения может использовать все доступные данные.  

• Моделирование динамических систем требует учета времени.  

• Важно выбрать правильную модель машинного обучения для задачи.  

• Моделирование может быть детерминированным или вероятностным в зависимости от целей.  

• Хаотические системы требуют разных описаний и моделей.  

• Моделирование вероятностей может быть более подходящим для некоторых систем.  

• Важно учитывать неопределенность и хаотическую динамику при моделировании.  

• Хаос меняет подход к моделированию систем.  

• Предсказание точной траектории системы через 100 лет бессмысленно.  

• Важно изучать вероятности и распределения.  

• Машинное обучение улучшает моделирование климата.  

• Разные задачи требуют разных подходов и данных.  

• Знание физики системы важно для создания моделей.  

• Необходимы эталонные системы для тестирования моделей.  

• Важно понимать, какие задачи подходят для каких моделей.  

• Примеры: классификация изображений, динамические системы, инженерные системы.  

• Машинное обучение ускоряет моделирование жидкости.  

• Проблемы турбулентности и новые физические модели.  

• Пример: статья Джулии Линг о моделировании турбулентности.  

• Машинное обучение помогает аппроксимировать сложные функции.  

• Важно использовать машинное обучение для решения проблем.  

• Примеры: сверхразрешение, моделирование больших вихрей.  

• Важно выбирать правильные методы для решения проблем.  

• Простые модели могут быть более эффективными.  

• Примеры: линейная регрессия, астрология.  

• Решение проблемы и доступ к данным взаимосвязаны.  

• Важно учитывать физику и инженерное проектирование.  

• Принципы решения физических и инженерных проблем применимы к машинному обучению.