Специалисты МАИ обучили нейросети для ускорения аэродинамических расчётов
Учёные Московского авиационного института создали программу, с помощью которой можно проводить однотипные аэродинамические расчёты в ускоренном режиме. Её преимущество заключается в использовании специального нейросетевого каталога, который содержит информацию о классических методах расчётов.
Учёные Московского авиационного института создали программу, с помощью которой можно проводить однотипные аэродинамические расчёты в ускоренном режиме. Её преимущество заключается в использовании специального нейросетевого каталога, который содержит информацию о классических методах расчётов.
Разработка уникальна для отечественного рынка. Проект выполнялся на базе лаборатории искусственного интеллекта и математического моделирования института № 8 «Компьютерные науки и прикладная математика» МАИ.
— Создание совершенно новой авиационной и космической техники требует много времени и ресурсов. Инженеры производят сложные расчёты на суперкомпьютерах, а одной из самых долгих частей работы является детальное моделирование аэродинамических процессов. Например, чтобы просчитать всего пять секунд полёта летательного аппарата суперкомпьютер тратит месяцы на вычисления. Поэтому мы решили создать нейросетевой аналог, который сможет решить проблему скорости типовых расчётов, — рассказал участник проекта, ведущий разработчик научно-исследовательского отдела кафедры 806 «Вычислительная математика и программирование» МАИ Вадим Кондаратцев.
Нейросетям нужны данные, на которых они будут обучаться, и для этого маёвцы создали объёмную библиотеку данных. Она включает в себя модуль генерации данных для самых разных случаев. После завершения обучения нейросети смогут произвести быстрые расчёты без использования суперкомпьютеров.
При создании проекта использовались физически-информированные нейронные сети (PINN) и графовые нейросети (GNN). Специалисты МАИ уже закончили тестирование первой версии библиотеки и приступили к анализу второй, обладающей более широким функционалом и лучшим качеством обученных нейросетей.
Материал подготовлен при поддержке Минобрнауки России