Виртуальный ты. Как создание цифровых близнецов изменит будущее человечества

Организация этих процессов имеет решающее значение. Работа тела изобилует нелинейностями, когда обратная связь подавляет одни процессы (как термостат в домашнем центральном отоплении) и ускоряет другие (как вой, раздающийся, когда микрофон подносят слишком близко к источнику звука). Существуют петли обратной связи, идущие вверх и вниз по всем масштабам, от клетки к органу и телу, где задействованы различные виды физики.

Понимание обратной связи имеет решающее значение, потому что от этого зависит ваша жизнь. Один из примеров можно найти в стабильной, относительно постоянной внутренней среде вашего тела. Гомеостаз регулирует температуру тела и концентрацию в крови различных ионов, а также глюкозы и pH. Поддержание гомеостаза включает в себя петли отрицательной обратной связи: если температура слишком высока, нервные клетки с окончаниями в коже и мозге вызывают потоотделение. Понимание того, как нелинейное целое тела возникает из его физиологических, клеточных и молекулярных частей, является центральным для проблемы создания виртуального человека.

Многомасштабное моделирование

Ключевой вопрос в многомасштабном и мультифизическом моделировании, независимо от того, используется оно для моделирования ядерного взрыва или детального функционирования человеческого тела, заключается в поиске способа соединить различные теории, которые управляют различными режимами, и смоделировать методы, извлекающие максимальную выгоду из доступных компьютерных мощностей.

Некоторые проблемы связаны с тем, насколько детализированным должно быть моделирование. Существует противоречие между крупномасштабными моделями, которые легко запустить на компьютере, но они не особенно точны, и подробными микромасштабными моделями, которые точны, но крайне неэффективны. Например, если говорить о прогнозировании погоды, запуск модели с разрешением до сетки, состоящей из квадратов по 10 км², приведет к пропуску большого количества детальной информации о погоде и другим неточностям, но будет намного быстрее, чем модель с разрешением 1 км², хотя лежащая в основе математика останется прежней.

Многомасштабное мышление может предложить решения. Лучшим компромиссом является «адаптивное уточнение сетки», или AMR, где изначально используется грубая сетка, а дорогостоящая с точки зрения вычислений мелкая зарезервирована для использования в тех частях моделирования, где имеется сложная география или поведение, например, когда нужно более подробное представление о погоде. Таким образом, максимальная мощность компьютера используется только для увеличения интересующего объекта, например города, подверженного наводнениям.

Наш пятый шаг также имел решающее значение, когда дело дошло до моделирования рака, которое теперь является постоянной темой ежегодной конференции по суперкомпьютерам, проводимой в США. В пятой главе мы обсуждали моделирование динамики белков RAS – семейства белков, мутации которых связаны примерно с третью всех случаев рака у человека. Команда из Ливерморской национальной лаборатории Лоуренса вместе с учеными из Национальной лаборатории Лос-Аламоса, Национального института рака и других учреждений начала с моделирования воздействия липидной мембраны на белки RAS в длительных временных масштабах и внедрила алгоритм машинного обучения для выбора тех липидных «пятен», которые были достаточно интересны для более детального моделирования. Результатом является MuMMI, массово-параллельная многомасштабная инфраструктура машинного моделирования, которая эффективно масштабируется на таких суперкомпьютерах, как Sierra и Summit[398].

Многомасштабное моделирование может помочь подобрать правильное лечение и дозу для конкретного пациента. Поскольку использование генетических маркеров для адаптации методов лечения рака в реальных условиях оказалось относительно разочаровывающим, Питер участвует в еще одной многомасштабной инициативе по борьбе с раком, сочетающей машинное обучение (чтобы найти корреляции между большими данными) и многомасштабное механистическое моделирование (чтобы найти причинно-следственные связи между данными). Как обсуждалось в четвертой главе, подход Большого ИИ является многообещающим, поскольку машинное обучение само по себе игнорирует фундаментальные законы физики и может привести к некорректным задачам или нефизическим решениям, в то время как механистическое моделирование само по себе часто не может эффективно объединить большие данные из разных источников и различных уровней разрешения[399][400].