# Анима Анандкумар: «ИИ ускоряет научные симуляции в 700 000 раз» Источник: https://www.youtube.com/watch?v=ItVD0S3cJvI Канал: The TWIML AI Podcast with Sam Charrington Опубликовано: 30.01.2023 --- ## ИИ как новая лаборатория: Анима Анандкумар об «AI for Science» 🧬 [[JUMP:1:05]] Развитие искусственного интеллекта вышло далеко за пределы генерации текстов и изображений, открывая принципиально новые горизонты для фундаментальной науки. В недавнем выпуске подкаста The TWIML AI Podcast ведущий Сэм Черингтон обсудил с Анимой Анандкумар, профессором Caltech и старшим директором по исследованиям ИИ в NVIDIA, как генеративные модели и «нейронные операторы» становятся ключевыми инструментами в расшифровке кода жизни и прогнозировании сложных физических процессов. ### 🔬 От тензоров к генерации жизни [[JUMP:1:17]] Анима Анандкумар отмечает, что её путь в области машинного обучения начался с работы над теоретическими основами статистики и тензорных методов в эпоху, когда ИИ считался чисто академической концепцией. Главным прорывом последних лет стало осознание того, что генеративные модели способны выйти за рамки тренировочных данных через экстраполяцию. * **Генерация молекул:** Аналогично тому, как Stable Diffusion создает несуществующие изображения, модели могут проектировать новые лекарственные молекулы, способные связываться с конкретными белками. * **Сложность биологии:** Исследователи переходят от простого моделирования статических структур белков к изучению их динамики в момент взаимодействия с малыми молекулами (лигандами). * **Язык генома:** Группа Анандкумар создала модель с 25 миллиардами параметров, обученную на 110 миллионах последовательностей бактерий и вирусов. Модель успешно предсказала варианты коронавируса (Delta, Omicron), не видя их ранее. По мнению Анандкумар, чтобы понять функцию белка, необходимо подняться на уровень выше — к геному, который является «кодом жизни» и содержит эволюционные закономерности. В этом помогают иерархические модели, объединяющие архитектуры GPT и диффузионные процессы в латентном пространстве. ### 🌪️ Нейронные операторы: революция в симуляциях [[JUMP:21:19]] Одной из главных проблем при использовании ИИ в науке является неспособность стандартных нейросетей работать с произвольным разрешением данных. Анандкумар подчеркивает, что для физических систем (например, турбулентности) критически важны мелкие детали, которые традиционные методы фильтрации просто «сглаживают». Для решения этой задачи были предложены **нейронные операторы** (в частности, Fourier Neural Operator — FNO): * **Гибкость:** Обучив модель на определенной сетке, можно выполнять инференс (вычисления) на любом другом разрешении, даже более высоком, чем исходное. * **Скорость:** В задачах прогнозирования погоды нейронные операторы обеспечивают точность современных численных моделей на горизонте до 2 недель, работая при этом **в 45 000 раз быстрее**. * **Экономия:** Традиционные численные методы требуют огромных вычислительных затрат; по словам коллеги Анандкумар, Тапио Шнайдера (Tapio Schneider) из Caltech, для моделирования облаков с разрешением 1 метр потребовалось бы в 100 миллиардов раз больше ресурсов, чем доступно сегодня. ### 🌍 Климат, углерод и будущее HPC [[JUMP:33:36]] ИИ-методы находят применение в критически важных экологических инициативах. При моделировании процесса закачки углекислого газа под землю (carbon capture and storage) исследователи достигли ускорения в **700 000 раз** по сравнению с традиционными солверами, что позволяет учитывать сложные многофазные потоки (взаимодействие газа и воды). Анима Анандкумар прогнозирует слияние HPC (высокопроизводительных вычислений) и ИИ в единую дисциплину: * ИИ позволяет использовать исторические данные (например, метеорологические архивы с 1970-х), которые численные методы задействуют лишь частично. * Нейронные операторы объединяют математические свойства преобразования Фурье с нелинейными активациями нейросетей, что делает их универсальными аппроксиматорами в пространствах функций. ### 🎮 Mind Dojo: ИИ против Minecraft [[JUMP:56:53]] В завершение дискуссии Анандкумар рассказала о проекте **Mind Dojo** — бенчмарке для обучения агентов в открытом мире Minecraft. * **Суть вызова:** В отличие от AlphaZero, где цель и правила жестко заданы, в Minecraft агент должен «понимать» текст инструкций, уметь пользоваться инструментами и проявлять креативность, используя базу знаний из Wiki, Reddit и YouTube. * **Значение:** Это попытка сделать шаг к созданию универсальных агентов, которые могут обучаться в динамических средах. * **Статус:** Проект получил награду NeurIPS за лучшую статью, но лидерборд пока не запущен — задача остается «крепким орешком» для текущего поколения моделей. По словам Анимы Анандкумар, сейчас самое подходящее время для масштабирования этих подходов, так как ИИ перерос стадию узкоспециализированных задач и готов к роли фундаментального научного инструмента.