Хиймэл оюун ухаан (AI) нь зураг, текст бүтээх энгийн хэрэглээнээс давж, байгалийн шинжлэх ухааны нарийн төвөгтэй үзэгдлийг тайлбарлах, дифференциал тэгшитгэлүүдийг шийдвэрлэх зэрэг гүнзгий судалгааны түвшинд ашиглагдах боллоо. Үүний нэг тод жишээ бол PINN (Physics-Informed Neural Networks) буюу физикийн мэдлэг бүхий нейроны сүлжээ юм. Ердийн AI өгөгдөл дээр суурилж (Data-driven) ажилладаг бол PINN нь үүн дээр нэмээд байгалийн хуулиудыг (физикийн тэгшитгэлүүдийг) өөртөө нэгтгэснээрээ онцлогтой. Өөрөөр хэлбэл, машин дан ганц тоон дээр ажиллах биш, тухайн үзэгдлийн цаана байгаа математик логикийг (жишээ нь: дифференциал тэгшитгэл) давхар тооцдог гэсэн үг юм.
PINN-д:
L_PINN=L_data+L_physics
өгөгдлийн алдаа (Data loss) ба физик алдаа (Physics loss) гэсэн хоёр бүрэлдэхүүн хэсгээс бүрдсэн нийлмэл алдааны функцийг ашигладаг. PINN-ийг хэрэглэснээр цөөн тооны өгөгдөлтэй ч физикийн хуулийг дагахад чиглэсэн загвар гаргах боломжтой. Мөн загварыг сургалтын өгөгдөлд хэт суралцах буюу overfitting үзэгдлээс сэргийлдэг. Энэ нь олон төрлийн дифференциал тэгшитгэл, геометрийн бүтцэд хялбар зохицох чадвартай загварыг бий болгоход чухал ач холбогдолтой бөгөөд параметр үнэлэх, үл мэдэгдэх коэффициентуудыг олоход үр дүнтэй юм.
Жишээлбэл: Халдварт өвчин хэрхэн тархдагийг ойлгохын тулд судлаачид SIR хэмээх математик загварыг өргөн ашигладаг. Энэ загварт хүн амыг гурван бүлэгт хуваадаг: халдвар аваагүй буюу эрүүл (Susceptible), халдвартай (Infected), эдгэрсэн (Recovered). Эдгээр бүлгүүдийн хоорондын шилжилт нь дифференциал тэгшитгэлээр илэрхийлэгддэг бөгөөд халдварын хурд, эдгэрэлтийн хугацаа зэрэг параметрүүдээс хамаардаг. Гэвч бодит нөхцөлд эдгээр параметрийг яг таг тодорхойлох, эсвэл хангалттай өгөгдөл цуглуулах нь амаргүй байдаг. Ийм үед PINN арга онцгой давуу талтай. PINN нь зөвхөн өгөгдөлд найдахгүйгээр, SIR загварын суурь дифференциал тэгшитгэлийг сургалтын явцдаа ашигладаг. Ингэснээр өгөгдөл хомс байсан ч халдварын тархалтыг илүү бодитойгоор таамаглах боломжтой болдог.
Энэ арга нь инженерчлэлд шингэний динамик, материалын бат бөх чанарыг тодорхойлоход, анагаах ухаанд халдварт өвчний тархалтын загварчлалд, цаг уурт цаг агаарын урьдчилсан мэдээг илүү нарийвчлалтай гаргахад, сансар судлалд зэрэг олон салбарт хэрэглэгдэж эхэлж байна. Ялангуяа туршилтын өгөгдөл авахад хэцүү эсвэл өндөр өртөгтэй нөхцөлд PINN маш үр дүнтэй байна. Иймээс PINN нь хиймэл оюуны хөгжлийн шинэ чиг хандлагын нэг болж, “физик ойлгодог AI” гэсэн ойлголтыг бодит болгож байна. Ирээдүйд энэ арга нь математик загварчлал болон хиймэл оюуны огтлолцол дээр шинэ боломжуудыг нээх нь гарцаагүй юм.
Мэдээ бэлтгэсэн: Симуляци, тооцооллын салбар, ЭША, Б. Төмөрхуяг
Эх сурвалж: https://en.wikipedia.org/wiki/Physics-informed_neural_networks