Ny AI-modell simulerar fysiska system med 70 gånger lägre beräkningskostnad

Forskare har utvecklat Latent Generative Solvers (LGS), en ny AI-metod som kan simulera komplexa fysikaliska system över långa tidsperioder med betydligt högre stabilitet än tidigare tekniker. Metoden använder en tvåstegsprocess där olika fysikaliska tillstånd först mappas till ett gemensamt latent rum, varefter en Transformer-modell tränas att förutsäga systemets utveckling över tid med hjälp av flödesmatching och osäkerhetshantering. Det genombrott som LGS representerar är att den kan hantera "rollout drift" - det vanliga problemet där AI-simulationer gradvis avviker från verkligheten vid längre prognoser, vilket är kritiskt för tillämpningar inom väderprognos, klimatmodellering och teknisk design. Systemet tränat på 2,5 miljoner trajektorier och uppvisar upp till 70 gånger lägre beräkningskostnad än traditionella metoder, samtidigt som det kan anpassas till nya typer av fysikaliska system med begränsad träning. Nyckelinsikt: LGS kan revolutionera vetenskapliga simulationer genom att göra långsiktiga fysikaliska prognoser både mer tillförlitliga och beräkningsmässigt effektiva, vilket öppnar för ny forskning inom klimat, väder och teknisk utveckling.