Как нейросеть ускорила расчёт столкновений молекул экспресс
Атомы в газе ведут себя как бильярдные шары: летят, сталкиваются и разлетаются в разные стороны. Только вместо твёрдых шаров у них мягкая «шуба» из сил притяжения и отталкивания. На близком расстоянии атомы резко отталкиваются, а на дальнем — слегка притягиваются. Учёным нужно точно рассчитывать эти столкновения, чтобы моделировать потоки газа вокруг самолётов или внутри микросхем.
Раньше для каждого столкновения приходилось решать сложное уравнение, и компьютер тратил на это очень много времени. Теперь исследователи обучили нейросеть на миллионах уже просчитанных столкновений. Сеть научилась мгновенно предсказывать, под каким углом разлетятся атомы, — с ошибкой меньше одной десятой градуса. Благодаря этому весь расчёт газа ускорился на треть.
Такой подход особенно важен для моделирования холодных и разреженных газов, где силы притяжения между атомами заметно меняют картину течения. Например, в новых расчётах след за цилиндром в сверхзвуковом потоке получился шире, чем по старым упрощённым моделям. Это значит, что прежние симуляции могли недооценивать влияние разреженности и низких температур.
Теперь инженеры могут быстрее проверять, как поведёт себя газ в необычных условиях — от высотных полётов до охлаждаемых микроканалов. А нейросеть, обученная на физике столкновений, продолжает ускоряться с каждым новым процессором.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2602.13601
Integrating the physically realistic Lennard--Jones (LJ) potential into Direct Simulation Monte Carlo (DSMC) remains challenging because the long-range potential complicates collision-rate definition and makes repeated scattering-angle evaluation expensive. This study develops an LJ--DSMC framework built around two methodological advances and a transport-level validation of the resulting collision kernel. First, a generalized collision-selection treatment is formulated for Bird's DSMC algorithms (DSMC1, DSMC1S, and DS2V) through a Variable Effective Diameter (VED) model obtained from local Chapman--Enskog viscosity matching. This viscosity-consistent pair-selection model provides a finite DSMC collision-rate closure for the LJ potential and is validated in helium and argon normal shocks, cryogenic supersonic Couette flow, and hypersonic cylinder flows. The results show agreement with VHS in high-temperature repulsive regimes, but reveal clear LJ effects, including reduced shear stress and larger cryogenic wakes, when attractive forces become important. Second, the computational bottleneck of the accepted LJ binary-scattering step is removed by training a Deep Operator Network (DeepONet) to predict the LJ deflection angle from high-fidelity scattering data, replacing the numerical Matsumoto--Koura integral while preserving the standard elastic post-collision update. The surrogate gives a bulk mean wrapped-angle error of \(1.6\times10^{-3}\,\mathrm{rad}\) and a 99th-percentile error of \(9.9\times10^{-3}\,\mathrm{rad}\), accelerates the collision subroutine by 40\%, and reduces total wall time by 36\%. Finally, the same DeepONet--LJ scattering kernel is tested beyond viscosity-controlled flows through diffusion benchmarks.
Нейросеть предсказывает угол отклонения атомов с ошибкой всего 0,0016 радиана — это примерно одна десятая градуса, как если бы бильярдный шар отклонился на толщину волоса на расстоянии вытянутой руки.