Почти сто лет назад физики столкнулись с непреодолимой проблемой: конфигурационные интегралы, необходимые для расчета термодинамических свойств материалов, требовали перебора такого числа частиц и состояний, что на их вычисление не хватило бы времени жизни Вселенной. Учёные пошли на «подлог» — создали статистическую физику и методы вроде Монте-Карло, которые позволяли приближать реальность, жертвуя точностью ради скорости. Но даже суперкомпьютеры тратили месяцы на казалось бы простые задачи.
Группа исследователей из Университета Нью-Мексико и Лос-Аламосской лаборатории представила THOR (Tensors for High-dimensional Object Representation) — фреймворк, радикально меняющий ситуацию. В его основе — сочетание тензорных сетей, машинного обучения и тензорной кросс-интерполяции.
Алгоритм разбивает гигантскую многомерную задачу на цепочку более простых. Он автоматически распознаёт кристаллические симметрии материала и использует их для сокращения вычислений. Точность остаётся на уровне классических методов статистического моделирования, но скорость растёт колоссально. В тестах ускорение превысило 400 раз.
THOR проверили на реальных веществах: меди, кристаллическом аргоне под высоким давлением, фазовых переходах в олове. Во всех случаях результаты совпали с эталонными симуляциями Лос-Аламоса, но время расчётов сократилось с месяцев до дней или часов.
Фреймворк универсален — работает как с простыми системами, так и со сложными кристаллическими структурами. Это открывает дорогу к прямому моделированию термодинамических и механических свойств новых материалов: сплавов, сверхпроводников, веществ для экстремальных условий.
Авторы позаботились о практическом применении. Код THOR выложен на GitHub и может быть встроен в существующие программы моделирования атомной структуры. Если инструмент приживётся, материаловедение получит ускорение в четыре сотни раз. Без потери точности.
