New Mexico Üniversitesi ve Los Alamos Ulusal Laboratuvarı’ndaki ekip, Yüksek Boyutlu Nesne Temsili Tensörler (THOR) AI olarak adlandırılan gelişmiş bir hesaplama çerçevesiyle, geniş konfigürasyonel integralleri ve kısmi diferansiyel denklemleri tensör ağı algoritmalarıyla verimli biçimde sıkıştırıp analiz ediyor. Bu denklemler, malzemelerin farklı termodinamik ve mekanik koşullar altındaki davranışlarını belirlemede temel rol oynuyor. Tensör ağları, atomlar arası kuvvetleri ve atom hareketini temsil eden makine öğrenmesi potansiyelleri ile birleştirildiğinde, çok çeşitli fiziksel ortamlarda doğru ve ölçeklenebilir malzeme simülasyonları elde ediliyor.
BOYUTLULUK LANETİ AŞILDI
Projeyi yürüten ekip, parçacık etkileşimlerini yakalayan konfigürasyonel integralin özellikle aşırı basınçlar veya faz geçişleri içeren uygulamalarda değerlendirilmesinin son derece zor ve zaman alıcı olduğunu belirtiyor. Termodinamik davranışın doğru belirlenmesi, istatistiksel mekanik bilgisini derinleştirirken metalurji gibi alanlara da doğrudan bilgi sağlıyor. Tarihsel olarak bilim insanları, bu integrali yaklaşık yöntemlerle—moleküler dinamik ve Monte Carlo simülasyonları—tahmin etmeye çalıştı. Ancak her eklenen değişkenle hesaplama karmaşıklığının katlanarak artması, “boyutluluk laneti” nedeniyle en hızlı süper bilgisayarları bile zorladı. Haftalar süren yoğun işlem sonrası dahi sonuçların sınırlı kalması, doğrudan çözüme ihtiyaç olduğunu gösterdi.
TENSÖR TRENİ ÇÖZÜMÜ
UNM’deki iş birliğiyle, tensör treni çapraz enterpolasyonu kullanılan bir yaklaşım benimsendi. Bu yöntem, integrandın yüksek boyutlu veri küpünü daha küçük, birbirine bağlı bileşenlerden oluşan bir zincir olarak temsil ediyor; özel bir varyant, kristal simetrilerini belirleyerek konfigürasyonel integralin binlerce saat yerine saniyeler içinde ve doğruluk kaybı olmadan hesaplanmasını mümkün kılıyor. Böylece, daha önce “imkansız” kabul edilen doğrudan çözüm, pratik bir hesaplama problemine dönüşüyor.
KRİTİK UYGULAMA ALANLARI
THOR AI, bakır ve argon gibi yüksek basınç altındaki soy gazlar ve kalayın katı–katı faz geçişi gibi örneklerde denenerek, Los Alamos’un en iyi simülasyon sonuçlarını 400 kat hızlı şekilde yeniden üretti. Çerçeve, modern ML tabanlı atom modelleri ile kusursuz biçimde çalıştığından, malzeme bilimi, fizik ve kimya için çok yönlü bir araç niteliği taşıyor.
DOĞRULUK VE ÖLÇEKLENEBİLİRLİK
UNM’den Prof. Dimiter Petsev, geliştirilen stratejilerin istatistiksel mekaniğin “imkansız” problemi olarak görülen konfigürasyonel integralin doğrudan çözümüne uygulanabileceğini vurguluyor. Klasik entegrasyon tekniklerinin, modern bilgisayarlarda dahi evrenin yaşını aşan süreler gerektirecek boyutlarda hesaplama talep ettiğine dikkat çekilirken, tensör ağ yöntemlerinin doğruluk ve verimlilikte yeni bir referans standardı sunduğu değerlendiriliyor.
HIZLI KEŞİF VAADİ
Çalışma, konfigürasyonel integrallerin yaklaşımlar ve uzun simülasyonlar yerine temel prensiplerden hesaplanmasını olanaklı kılarak, malzemeler hakkında daha hızlı keşif ve daha derin anlayış kapısını açıyor. Ekip, yöntemin çok yönlülüğü sayesinde, farklı malzeme sınıflarında faz diyagramları, kararlılık alanları ve taşınım özellikleri gibi kritik büyüklükleri hızla ve güvenilir biçimde çıkarmayı hedefliyor.
