Szum wprowadzany do generowanych grafik przez sztuczną inteligencję stanowi poważną przeszkodę dla specjalistów, którzy chcieliby wykorzystać te narzędzia do symulowania rzeczywistych zjawisk np. w geologii czy materiałoznawstwie. Wspomniany zespół opracował jednak model dyskretnej dyfuzji przestrzennej, który jest prawdopodobnie pierwszym systemem SI, który podczas generowania danych bezwzględnie stosuje się do fizycznych ograniczeń. Jeśli sprawdzi się on w praktyce, to może całkowicie zmienić podejście do wykorzystywania uczenia maszynowego w badaniach podstawowych i aplikacyjnych.
Tradycyjne modele SI mają poważne ograniczenia. Nie respektują podstawowych zasad fizyki
Klasyczne generatywne modele dyfuzji działają w dość prosty sposób. Stopniowo dodają szum do obrazu źródłowego, aż ten zamienia się w bezładną plamę, a następnie uczą się cofać ten proces, odtwarzając pierwotny obraz. Metoda ta doskonale sprawdza się w tworzeniu sztuki cyfrowej, ale z perspektywy nauki jest fundamentalnie błędna. Problem polega na tym, że modele te operują na ciągłych wartościach jasności pikseli, traktując każdy z nich niezależnie. W rzeczywistości fizycznej nie można jednak dowolnie dodawać lub ujmować materii, bo w układzie zamkniętym jej całkowita ilość musi pozostać stała.
Czytaj też: Wystarczył tani akumulatorowy trik. Odkryli sekret większego zasięgu w samochodach elektrycznych
Gdy naukowiec próbuje wygenerować w ten sposób model elektrody akumulatora czy struktury geologicznej, naruszenie zasady zachowania masy czyni otrzymane wyniki kompletnie bezużytecznymi dla dalszych analiz. Potrzebne było zupełnie nowe podejście i dlatego rozwiązanie zaproponowane przez zespół z Los Alamos polega na radykalnej zmianie paradygmatu. Zamiast pracować na ciągłych wartościach, system operuje na dyskretnych, policzalnych jednostkach, bo konkretnych liczbach cząstek czy elementów materiału. Kluczowe jest to, że ta całkowita liczba pozostaje absolutnie stała przez cały proces i to zarówno podczas wprowadzania losowości, jak i przy jej usuwaniu.
Losowość wprowadzana jest poprzez symulację przestrzennej wędrówki cząstek, naśladującej rzeczywiste procesy dyfuzji. Cząstki mogą się przemieszczać, ale ich ogólna liczba się nie zmienia. Takie podejście pozwala zachować niezbędną w modelowaniu stochastyczność, nie łamiąc przy tym podstawowych praw fizyki.
Testy od obrazków zwierząt po skały, czyli model w rzeczywistych zastosowaniach naukowych
Zanim naukowcy przystąpili do poważnych zastosowań, przetestowali swój model na standardowych zbiorach danych, takich jak CIFAR-10 z obrazami zwierząt i pojazdów oraz CelebA ze zdjęciami twarzy. Nawet w tej dyskretnej przestrzeni o stałej liczbie pikseli system radził sobie z odtwarzaniem treści, co samo w sobie było niemałym wyzwaniem technicznym. Prawdziwy egzamin zaczął się jednak wtedy, gdy model skierowano na dane naukowe.
Czytaj też: Wizja jak z filmu. Pustynia zacznie nadawać się do życia, bo Chiny stawiają na Wielki Zielony Mur
W tym teście algorytm wygenerował realistyczne mikrostruktury skał porowatych, które są kluczowe dla przemysłu naftowego i projektów związanych z wychwytywaniem dwutlenku węgla. Co ważne, wygenerowane struktury zachowywały zasadę zachowania materii, a więc mogły teoretycznie odpowiadać prawdziwym formacjom podziemnym.
Czytaj też: Eureka! Ty patrzysz krzywo na elektryki, a nasze wnuki zapomną o potrzebie ładowania
Kolejnym sprawdzianem było modelowanie elektrod w akumulatorach litowo-jonowych. System był w stanie generować nie tylko ich strukturę, ale i wizualizować przepływ prądu, a otrzymane metryki ilościowe spełniały wymagania stawiane w tej dziedzinie. Jest to tym samym obiecująca droga do projektowania wydajniejszych akumulatorów, choć oczywiście od symulacji do gotowego produktu pozostaje daleka droga.
Tradycyjne modele naukowe prowadzą do nowatorskiego uczenia maszynowego
To nowatorskie podejście do SI nie wzięło się znikąd. Jego twórcy czerpali inspirację z dobrze ugruntowanych modeli fizycznych, które są stosowane od dziesięcioleci w biologii czy geologii. Sama praca nad projektem Diffusion Modeling with Physical Constraints for Scientific Data została zaprezentowana jako ustna prezentacja na konferencji NeurIPS w grudniu 2025 roku, co jest formą wyróżnienia dla najważniejszych osiągnięć. Nowy model pokazuje, że sztuczna inteligencja w nauce nie musi być wyborem między kreatywnością a ścisłością. Może być narzędziem, które szanuje reguły gry narzucone przez naturę, a przez to staje się znacznie bardziej użyteczne. Jest to wprawdzie dopiero początek, ale kierunek jest niezwykle interesujący, bo w przyszłości algorytmy będą mogły uczyć się nie tylko z danych, ale i z samej fizyki wszechświata.
