Мегагрант на оптимизацию: как российские ученые упрощают сложные программы
В 2020 году команда ученых из «Сколтеха» выиграла мегагрант на проект о нейродинамических системах. Они помогают упростить сложные вычисления, например расчет прочности обшивки самолета и прогноз гидроразрыва пласта в нефтяных скважинах. Так ученые успешно обходят ограничения мощностей в машинных процессах. Об этом рассказал кандидат физико-математических наук Евгений Бурнаев на форуме «Наука будущего — наука молодых».
С 1990-х годов российские исследователи работают над упрощением вычислительных процессов. Однако как тогда, так и сейчас не хватает мощностей, чтобы это сделать напрямую и сократить объемы данных. Поэтому ученые ищут способ обойти эти ограничения. Лаборатория «Многомасштабная нейродинамика для интеллектуальных систем» на базе Сколковского института науки и технологий упрощает сложные машинные процессы с помощью моделирования.
Евгений Бурнаев привел пример из авиастроения. Чтобы рассчитать прочность композитного элемента самолета (обшивки), нужна особая программа. Для каждой пластины, из которых состоит обшивка, считается свой коэффициент прочности. Их получается пара десятков, самих пластин тоже много, и суммарно — это несколько тысяч параметров. Программа должна учесть их все, и из-за этого подсчеты занимают от нескольких дней до нескольких недель.
Чтобы ускорить этот процесс, ученые из Сколково предлагают использовать предиктивные модели машинного обучения. Это быстрые программы, которые аппроксимируют изначальные данные — то есть заменяют их на более простые и удобные. Лаборатория активно применяет и «суррогатную модель».
«Речь идет о том, что с помощью методов анализа данных машинного обучения по выборке признаков, описывающих объект, мы строим предиктивную модель и оптимизируем не исходную целевую функцию, а ее аппроксимацию. Почему "суррогатная"? Потому что мы строим модель на основе данных, порожденных физической моделью, — объясняет Бурнаев. — Мы находим один из вариантов решения, делаем вычисления с исходной моделью, добавляем целевые значения, выборки и повторяем процесс. Затем — вывод и решение. Это позволяет решать целый класс инженерных проблем».
Ученые занимаются сложными задачами оптимизации, где приходится использовать необычные алгоритмы. Например, исследователи применили их в нефтедобывающих технологиях.
На некоторых скважинах технологи проводят гидроразрыв пласта. Они создают трещину в земляном пласте, и нефть «притекает» к скважине. Для этого нужно знать много параметров: например, геологию скважины и самого месторождения. Однако данные могут быть ошибочными или неточными, ведь одна часть показателей контролируется человеком, а другая — нет. Сколковская лаборатория собрала информацию и построила предиктивную модель, описывающую исход гидроразрыва пласта при любых параметрах. Программа дает технологу рекомендации, благодаря которым он прогнозирует улучшение или ухудшение добычи нефти после разрыва. После испытаний, доказавших эффективность модели, ее внедрило ПАО «Газпром нефть» и до сих пор использует для работы с подрядчиками.
Ученые работают и над другими проектами: например, развивают методы стохастической оптимизации. Это класс алгоритмов, использующих случайность для поиска способа, который упростит вычисления. Исследователи изучают его на основе роя частиц. Под частицами понимаются возможные решения, и, перемещая их в соответствии с простой математической формулой, ученые могут найти лучший вариант для оптимизации.
Лаборатория разрабатывает разные подходы, комбинирующие осознанный поиск решений со случайными приемами упрощения подсчетов. Исследователи стремятся к тому, чтобы оптимизировать матричную факторизацию — семейство математических операций над таблицами данных. Тогда любые оценки и рейтинги получится представить в виде всего двух матриц. Деятельность лаборатории с участием Бураева может помочь в упрощении работы машин — как в промышленности, так и в науке.
Автор: Ксения Земскова.
Материал подготовлен при финансовой поддержке Минобрнауки России в рамках федерального проекта «Популяризация науки и технологий».