🤖 AI в науке: реалии и ограничения

AI в научных вычислениях: реалии и мифы

Ключевые тезисы:

Современные AI-агенты и языковые модели полезны как вспомогательный инструмент для рутинных задач, но не заменяют экспертов в сложных областях (например, высокопроизводительных вычислениях).
Попытки "натянуть" AI на все задачи без учёта их специфики часто приводят к бесполезным или неэффективным результатам.
В области численного моделирования физических процессов нейросети сталкиваются с фундаментальными проблемами (нарушение законов сохранения, сложность отладки), что ограничивает их применение.
Текущий ажиотаж вокруг AI в науке во многом продиктован модой и доступным финансированием, а не реальной эффективностью для многих конкретных задач.

AI-агенты в разработке ПО: пример из практики

Автор использует AI-ассистентов для получения справочной информации и генерации простых скриптов, но не для целевого параллельного программирования под гетерогенные системы (десятки тысяч ядер, расчёты длительностью сутки). Результаты их работы в этой области часто бесполезны: неэффективный код, "галлюцинации" (выдуманные функции), путаница платформ.

Пример: Портирование legacy-кода с помощью LM

Задача: Перенести старый (~100 тыс. строк) параллельный код на Fortran (MPI/OpenMP) на C++ с поддержкой Kokkos для работы на GPU.
Процесс: Код был "строка в строку" переписан на C++, затем подключена библиотека Kokkos для автоматической выгрузки на разные платформы (CPU/GPU).
Результат:
- Зависимость: Код попал в тотальную зависимость от внешней библиотеки (Kokkos).
- Производительность: Выигрыш на GPU составил лишь 1.8x, а в некоторых случаях реализация на GPU работала в 1.5 раза медленнее, чем на CPU (при том, что GPU по спецификациям должны быть в 8+ раз быстрее).
- Проблема для учёных: Специалистам по моделированию теперь необходимо изучать C++ и Kokkos для модификации кода.

Вывод: Портирование решило административную задачу (доступ к GPU-кластерам), но не принесло существенного выигрыша в производительности. Старый код, не оптимизированный для GPU, при простой "пересадке" на новую платформу не может раскрыть её потенциал.

Ограничения AI-генерации: аналогия

Для иллюстрации проблем AI-генерации приводится пример: дизайнер потратил 4 часа на создание изображения "котик со стрелочными часами на животе" через нейросеть. Результат:

Часы прорисованы по аналогии с картинками из интернета, а не так, как задумано.
Поверхность стола меняет размер и асинхронно двигается.

Аналогия: Так же выглядят и коды, созданные AI-агентами — внешне похоже, но с внутренними противоречиями и артефактами.

AI в научном моделировании: вынужденная мода

В научной среде (на примере немецкого исследовательского центра) наблюдается давление "сверху" с целью внедрения AI:

Проводятся многочисленные, часто бесполезные семинары и воркшопы.
Деньги приоритетно выделяются на проекты, связанные с машинным обучением, даже если нет понимания, как и зачем его применять к конкретным задачам.
Главная цель зачастую — продемонстрировать причастность к "прогрессу", а не получить научный результат.

Пример из ретрита (стратегической сессии):

Обсуждалось "место разработчиков классического ПО в эпоху AI".
Прогноз "экспертов": Вскоре появятся научные AI-агенты (типа Codex для химии, физики), которые будут сами обмениваться опытом и писать статьи.
Критика таких идей считается рискованной в текущей обстановке ("закон самосохранения").

Нейросети как аппроксиматоры: теория и практика

Основная идея: Замена "тяжёлой" вычислительной функции y = f(x) на быструю нейросетевую модель.

Цель: Ускорить расчёты, если f(x) вызывается миллиарды раз.
Подход: Используется аппроксимация (минимизация ошибки на обучающей выборке).

Нейросеть — это аппроксимационная модель, представляющая собой сложную параметрическую функцию с большим числом настраиваемых коэффициентов (весов), обучаемую методом градиентного спуска.

Кейс: Моделирование процессов горения

Модель состоит из двух модулей: газодинамика (быстрый) и химическая кинетика (медленный).
Идея: Заменить модуль химической кинетики нейросетью, которая по концентрациям веществ на шаге t предскажет их на шаге t+Δt.
Проблемы:
1. Нарушение законов сохранения: Нейросеть не гарантирует сохранения массы/энергии. Требуются дополнительные штрафные функции или пост-обработка.
2. Невозможность отладки "на лету": Если расчёт "разваливается", нельзя перенастроить сеть в runtime. Можно только откатиться и переобучить на новых данных — процесс долгий и без гарантий.
3. Зависимость от постановки: Для каждого набора веществ и реакций нужна своя обученная сеть.
4. Чёрный ящик: Сложно анализировать причины сбоев по сравнению с классическими численными методами.

Теоретическая основа и её ограничения:

Теоремы (Цыбенко, Колмогорова) доказывают возможность аппроксимации, но не дают рецепта, как построить эффективную сеть.
Нет гарантий, что нейросеть будет и точной, и быстрее прямого вычисления исходной функции.

Выводы и взгляд в будущее

AI — инструмент с ограничениями. Полезен для вспомогательных, "под ключ" задач, где уровень результата не критичен (например, иллюстрации к видео). Для сложных, ответственных задач (научное моделирование, оптимизация кода) предпочтительнее классические методы и ручная работа.
Текущий тренд — "танцы с бубном". В ближайшие 3-4 года давление моды и финансирования сохранится, что приведёт к большому количеству бесполезных исследований и "электронной макулатуры".
В фундаментальных областях революции не будет. В математической физике и численном моделировании, где критически важны точность и устойчивость алгоритмов, AI не произведёт революции.
Главный риск — потеря времени и ресурсов. Бесконечный цикл "сгенерировал выборку — обучил — запустил — развалилось — поменял параметры" отвлекает от реальной научной работы.

Финальная мысль: AI-система, которая ищет и комбинирует блоки кода из непонятно как составленной базы, может заменить только начинающих специалистов. Она не способна предложить что-то принципиально новое и требует постоянного контроля со стороны эксперта.