ปัญหา Navier-Stokes: ทำไมแก้วกาแฟของคุณถึงสามารถรัน Doom ได้

โปรแกรมเมอร์ไม่ได้รับรางวัลโนเบล แต่การแก้ปัญหา Navier-Stokes จะได้รับเงินหนึ่งล้านดอลลาร์จากสถาบัน Clay — และนี่คือปัญหาคณิตศาสตร์แห่งสหัสวรรษเพียงปัญหาเดียวที่ถูกโจมตีพร้อมกันโดยนักคณิตศาสตร์แบบดั้งเดิม นักวิจัย AI จาก DeepMind และวิศวกรควอนตัมจาก IBM ในปี 2024 มีการค้นพบว่าสมการพลศาสตร์ของไหลมีความสมบูรณ์แบบแบบทัวริง ซึ่งหมายความว่าในทางทฤษฎี แก้วกาแฟยามเช้าของคุณสามารถคำนวณอะไรก็ได้ รวมถึง Doom ด้วย

ปัญหาใน 30 วินาที

ในปี 1822 วิศวกรชาวฝรั่งเศส Claude-Louis Navier ได้อนุมานสมการที่อธิบายการเคลื่อนที่ของไหลหนืด ยี่สิบสามปีต่อมา ชาวอังกฤษ George Stokes ได้ปรับปรุงให้เป็นรูปแบบสมัยใหม่ สมการดังกล่าวทำงานได้อย่างสวยงาม — อากาศพลศาสตร์สมัยใหม่ การพยากรณ์อากาศ และเอฟเฟกต์พิเศษในภาพยนตร์ล้วนพึ่งพาสมการเหล่านี้ มีปัญหาเพียงประการเดียวคือ: ไม่มีใครสามารถพิสูจน์ได้ว่าสมการเหล่านี้มีคำตอบเสมอ หรือว่าสมการไม่ระเบิดสู่อนันต์ในเวลาจำกัด

ลองนึกภาพฟังก์ชันเรียกซ้ำที่แก้ไขตัวเองแบบไม่เชิงเส้น คุณไม่สามารถรับประกันได้ว่ามันจะไม่วนซ้ำอนันต์หรือหารด้วยศูนย์ ทีนี้ลองนึกภาพฟังก์ชันดังกล่าวนับไม่ถ้วน ล้วนเชื่อมโยงกัน ทำงานพร้อมกันที่ทุกจุดในอวกาศสามมิติ นั่นคือสมการ Navier-Stokes

ในสองมิติ ปัญหานี้ได้รับการแก้ไขในทศวรรษ 1960 โดยนักคณิตศาสตร์โซเวียต Olga Ladyzhenskaya แต่ในสามมิติ คณิตศาสตร์ติดขัดมา 200 ปีแล้ว สถาบันคณิตศาสตร์ Clay เสนอเงินหนึ่งล้านดอลลาร์สำหรับการพิสูจน์การมีอยู่และความเรียบเนียนของคำตอบ หรือสำหรับตัวอย่างโต้แย้งที่แสดงว่าคำตอบสามารถ "ระเบิด" ได้

ความซับซ้อนแบบเรียกซ้ำอนันต์: การมองเห็นธรรมชาติที่ไม่เชิงเส้นและแก้ไขตัวเองของพลศาสตร์ของไหลที่ทำให้คำตอบเชิงวิเคราะห์เป็นสิ่งที่ยากยิ่ง

ทำไมสิ่งนี้ถึงสำคัญสำหรับโปรแกรมเมอร์

ทุกครั้งที่คุณเห็นน้ำที่สมจริงในเกม การจำลองควันใน Blender หรือการพยากรณ์อากาศบนสมาร์ทโฟน — เบื้องหลังคือคำตอบเชิงตัวเลขของสมการ Navier-Stokes Half-Life 2 ปฏิวัติวงการเกมในปี 2004 ด้วยฟิสิกส์น้ำที่อิงจากสมการเหล่านี้ Unity และ Unreal Engine ใช้เวอร์ชันที่เรียบง่ายสำหรับการจำลองเรียลไทม์ Pixar ใช้เวลาหลายปีในการพัฒนาอัลกอริทึมสำหรับน้ำใน "Moana"

แต่มีปัญหาพื้นฐาน: เราไม่รู้ว่าวิธีเชิงตัวเลขของเราถูกต้องหรือไม่ มันเหมือนกับการใช้อัลกอริทึมการเรียงลำดับโดยไม่มีการพิสูจน์ความถูกต้อง — ดูเหมือนจะทำงานได้ แต่ไม่มีการรับประกัน เมื่อ Boeing ออกแบบปีกใหม่ พวกเขาใช้เงินหลายล้านในการทดสอบอุโมงค์ลม เพราะการจำลอง CFD ไม่สามารถเชื่อถือได้ 100%

def navier_stokes_step(u, v, p, dt, dx, dy, nu):
    u_new = u - dt * (u * np.gradient(u, dx, axis=1) +
                      v * np.gradient(u, dy, axis=0))

    u_new += nu * dt * laplacian(u, dx, dy)

    p = solve_poisson(divergence(u_new, v_new), dx, dy)

    u_final = u_new - dt * np.gradient(p, dx, axis=1)
    return u_final, v_final, p

ปัญหาอยู่ที่บรรทัดการพาความร้อน เทอม u * np.gradient(u) หมายความว่าความเร็วส่งผลต่อตัวเอง ในระบอบปั่นป่วน สิ่งนี้สร้างน้ำตกพลังงานจากกระแสวนขนาดใหญ่ไปสู่ขนาดเล็ก จนถึงระดับโมเลกุล การจำลองความปั่นป่วนอย่างสมบูรณ์ต้องการความละเอียดตามสัดส่วน Re³ โดยที่ Re คือจำนวน Reynolds สำหรับเครื่องบิน นั่นคือ 10^18 จุดกริด แม้แต่ซูเปอร์คอมพิวเตอร์ทั้งหมดในโลกก็ไม่สามารถแก้ปัญหานี้ได้

DeepMind ค้นพบจุดเอกฐานใหม่ด้วย AI

ข่าวใหญ่ที่สุดของปี 2024: ทีมของ DeepMind ใช้ Physics-Informed Neural Networks เพื่อค้นหาจุดเอกฐานที่ไม่เสถียรในเวอร์ชันสมการที่เรียบง่ายขึ้น ความแม่นยำในการคำนวณของพวกเขาเทียบเท่ากับ "การทำนายเส้นผ่านศูนย์กลางของโลกด้วยความผิดพลาดเพียงไม่กี่เซนติเมตร"

AI ค้นพบรูปแบบในพารามิเตอร์ λ (อัตราการระเบิด) ที่นักคณิตศาสตร์มนุษย์พลาดในการวิจัยกว่า 200 ปี นี่ไม่ใช่คำตอบของปัญหาแห่งสหัสวรรษ แต่แสดงให้เห็นว่าการเรียนรู้ของเครื่องสามารถค้นหาโครงสร้างที่มองไม่เห็นด้วยตามนุษย์

class NavierStokesPINN(nn.Module):
    def forward(self, x, t):
        u = self.net(torch.cat([x, t], dim=1))
        return u

    def physics_loss(self, x, t):
        u = self.forward(x, t)
        u_t = autograd.grad(u, t)[0]
        u_x = autograd.grad(u, x)[0]
        u_xx = autograd.grad(u_x, x)[0]

        residual = u_t + u * u_x - nu * u_xx
        return torch.mean(residual**2)

ทีมอื่น ๆ บรรลุความเร็วสูงกว่า 1000 เท่าเมื่อเทียบกับ CFD แบบคลาสสิก Stacked Deep Learning Models แก้กริด 512×512 ใน 7 มิลลิวินาที — เร็วกว่าการเรนเดอร์เฟรมเกม สิ่งนี้เปิดทางสู่การจำลองของไหลเรียลไทม์บน GPU ทั่วไป

Physics-Informed Neural Networks (PINNs): AI ค้นพบความสัมพันธ์ที่ซ่อนอยู่และทำนายจุดเอกฐานที่ไม่เสถียรในกระแสปั่นป่วนได้เร็วกว่า CFD แบบคลาสสิก

คอมพิวเตอร์ควอนตัมเข้าร่วมเกม

IBM และ Georgia Tech แสดงให้เห็นอัลกอริทึมไฮบริดควอนตัม-คลาสสิกสำหรับการแก้ Navier-Stokes ในปี 2024 โปรเซสเซอร์แบบคลาสสิกจัดการการพาความร้อนแบบไม่เชิงเส้น ในขณะที่คอมพิวเตอร์ควอนตัมแก้สมการ Poisson สำหรับความดัน — ส่วนที่ต้องใช้การประมวลผลมากที่สุด

วิธี HTree อ่านสถานะควอนตัมได้อย่างมีประสิทธิภาพแม้บนอุปกรณ์ NISQ ที่มีสัญญาณรบกวน แม้ว่าจะยังเป็นการพิสูจน์แนวคิดสำหรับกริดขนาดเล็ก แต่ศักยภาพนั้นมีมหาศาล คอมพิวเตอร์ควอนตัมทำงานร่วมกับสถานะซุปเปอร์โพซิชันโดยธรรมชาติ ซึ่งเหมาะอย่างยิ่งสำหรับการอธิบายความปั่นป่วน

ความพยายามในการแก้ปัญหาเชิงคณิตศาสตร์: 16 ฉบับแก้ไขและยังคงดำเนินต่อ

ทุกปีจะมีการอ้างว่าแก้ปัญหาแห่งสหัสวรรษได้ ในเดือนธันวาคม 2024 Anthony Jordon ได้เผยแพร่ "Harmonic Resonance Field Model" — ชุมชนคณิตศาสตร์มีความสงสัย Xiangsheng Xu โพสต์พรีปรินต์บน ArXiv พร้อม "คำตอบเชิงบวก" และอัปเดตถึง 16 ครั้ง — สถิติสูงสุดสำหรับบทความคณิตศาสตร์ Alexander Migdal เสนอการลด Navier-Stokes สามมิติเป็นระบบหนึ่งมิติผ่าน "duality"

ประวัติศาสตร์สอนให้ระมัดระวัง ในปี 2006 Penny Smith ถอนคำ "พิสูจน์" ของเธอหลังพบข้อผิดพลาด ในปี 2014 นักคณิตศาสตร์คาซัคสถาน Otelbayev อ้างว่ามีคำตอบ แต่การทบทวนจากนานาชาติพบช่องว่างร้ายแรง

น่าสนใจว่าความพยายามส่วนใหญ่มุ่งเน้นการพิสูจน์การมีอยู่ของคำตอบ แต่คำตอบที่ถูกต้องอาจเป็นตัวอย่างโต้แย้งที่แสดงการระเบิดในเวลาจำกัด สิ่งนี้จะเป็นหายนะสำหรับวิธีเชิงตัวเลข แต่เป็นความก้าวหน้าสำหรับคณิตศาสตร์

การประยุกต์ใช้ที่คุณอาจไม่รู้

การเพิ่มประสิทธิภาพศูนย์ข้อมูล Google ใช้ CFD เพื่อออกแบบระบบระบายความร้อนสำหรับฟาร์มเซิร์ฟเวอร์ การกระจายกระแสอากาศที่เหมาะสมประหยัดเงินหลายล้านในค่าไฟฟ้า Facebook พัฒนาตัวแก้ CFD ของตัวเองสำหรับงานนี้โดยเฉพาะ

การแพทย์แห่งอนาคต SimVascular เฉพาะสำหรับผู้ป่วย CFD สร้างแบบจำลองการไหลเวียนของเลือดในหลอดเลือดของผู้ป่วยเฉพาะรายตามข้อมูลสแกน MRI ศัลยแพทย์สามารถทำนายผลลัพธ์การผ่าตัดก่อนการกรีดครั้งแรก สตาร์ทอัป SimVascular เสนอแพลตฟอร์มโอเพนซอร์สสำหรับการจำลองดังกล่าว

Formula 1 และการบิน Red Bull Racing ใช้ซูเปอร์คอมพิวเตอร์ที่มี ANSYS Fluent สำหรับการเพิ่มประสิทธิภาพอากาศพลศาสตร์ เมชมีเซลล์ 100 ล้านเซลล์ การคำนวณการกำหนดค่าหนึ่งครั้งใช้เวลาหลายชั่วโมง FIA จำกัดเวลาอุโมงค์ลม ทำให้ CFD มีความสำคัญอย่างยิ่ง

อินฟลูเอนเซอร์เสมือนและ NFT การประยุกต์ใช้ที่ไม่คาดคิดที่สุด — ศิลปะของไหลแบบไดนามิกใน NFT ที่รูปแบบถูกสร้างขึ้นโดยการแก้ Navier-Stokes ในเรียลไทม์ โมเดลเสมือนบน Instagram ใช้ CFD สำหรับการจำลองผมและเสื้อผ้าที่สมจริง

Computational Fluid Dynamics ในการปฏิบัติ: จากอากาศพลศาสตร์ Formula 1 และการพยากรณ์อากาศทั่วโลก ไปจนถึงการสร้างแบบจำลองการไหลเวียนของเลือดในหลอดเลือดแดงเฉพาะผู้ป่วย

ความสมบูรณ์แบบแบบทัวริงและนัยเชิงปรัชญา

ในกลางปี 2024 นักคณิตศาสตร์พิสูจน์ว่าการกำหนดค่ากระแสบางอย่างสามารถจำลองฟังก์ชันที่คำนวณได้ใด ๆ สมการ Navier-Stokes มีความสมบูรณ์แบบแบบทัวริง ในทางทฤษฎี คุณสามารถเข้ารหัสโปรแกรมในเงื่อนไขการไหลเริ่มต้นและ "คำนวณ" ผลลัพธ์ผ่านวิวัฒนาการของไหล

สิ่งนี้กำหนดขีดจำกัดพื้นฐานของความสามารถในการทำนาย หากกระแสสามารถจำลองโปรแกรมโดยพลการ การทำนายพฤติกรรมของมันเทียบเท่ากับการแก้ปัญหา Halting Problem — งานที่พิสูจน์ได้ว่าแก้ไม่ได้ แม้แต่ AI ที่สมบูรณ์แบบก็ไม่สามารถทำนายความปั่นป่วนได้ในทุกกรณี

ในทางกลับกัน สิ่งนี้เปิดทางสู่คอมพิวเตอร์อุทกพลศาสตร์ นักวิจัยจาก MIT ได้สร้างเกตลอจิกที่ใช้หยดของเหลวแล้ว โปรเซสเซอร์ในอนาคตอาจคำนวณไม่ด้วยอิเล็กตรอน แต่ด้วยกระแสวน

ต่อไปคืออะไร: นักคณิตศาสตร์ vs โปรแกรมเมอร์

มีการก่อตัวของสองค่ายในการเข้าหาปัญหา Navier-Stokes นักคณิตศาสตร์แบบดั้งเดิมแสวงหาการพิสูจน์เชิงวิเคราะห์โดยใช้การวิเคราะห์เชิงฟังก์ชันและทฤษฎีการวัด นักวิทยาศาสตร์การคำนวณโจมตีปัญหาผ่านการเรียนรู้ของเครื่อง อัลกอริทึมควอนตัม และการพิสูจน์ที่ช่วยด้วยคอมพิวเตอร์

สตาร์ทอัป CFD ไม่รอการแก้ปัญหาแห่งสหัสวรรษ ByteLAKE ลดเวลาการจำลองอุตสาหกรรมจากชั่วโมงเป็นนาที M-Star Simulations เสนอวิธีที่ใช้อนุภาคที่ทำงานบนฮาร์ดแวร์ใด ๆ Convergent Science ปล่อย CONVERGE CFD v5 พร้อมการสร้างเมชอัตโนมัติ — ไม่ต้องเตรียมโมเดลเป็นเดือนสำหรับการคำนวณอีกต่อไป

ชุมชนโอเพนซอร์สไม่ล้าหลัง คลัง CFDPython GitHub ของศาสตราจารย์ Lorena Barba มีดาวหลายพัน "12 Steps to Navier-Stokes" กลายเป็นบทช่วยสอนคลาสสิกสำหรับโปรแกรมเมอร์ OpenFOAM ยังคงเป็นมาตรฐานอุตสาหกรรมที่มีโค้ด C++ 1.5 ล้านบรรทัด

บทส่งท้าย: กาแฟ, Doom และอนาคตของการประมวลผล

ปัญหา Navier-Stokes ยังคงเป็นป้อมปราการสุดท้ายของฟิสิกส์คลาสสิกที่ต้านทานการทำให้เป็นทางการทางคณิตศาสตร์ มันเป็นทั้งปัญหาวิศวกรรมเชิงปฏิบัติที่มีมูลค่าหลายล้านล้านดอลลาร์และปริศนาคณิตศาสตร์เชิงลึกเกี่ยวกับธรรมชาติของอนันต์

อ่านต่อ: ตอนที่ 2 จากความปั่นป่วนสู่การซื้อขาย: สมการ Navier-Stokes ปฏิวัติการซื้อขายเชิงอัลกอริทึมอย่างไร

สำหรับโปรแกรมเมอร์ มันเป็นการเตือนใจว่าปัญหาทั้งหมดไม่ได้แก้ได้ด้วยการเพิ่มเลเยอร์นามธรรมหรือเพิ่มกำลังการประมวลผล คำถามบางอย่างเป็นพื้นฐาน แต่ความก้าวหน้าเกิดขึ้นอย่างแม่นยำที่จุดตัดของคณิตศาสตร์ ฟิสิกส์ และวิทยาการคอมพิวเตอร์

บางทีคำตอบอาจไม่ได้มาจากอัจฉริยะเดียวที่มีชอล์กและกระดานดำ แต่จากทีมมนุษย์-AI แบบไฮบริดที่รวมสัญชาตญาณทางคณิตศาสตร์เข้ากับพลังการประมวลผล หรืออาจเป็นนักพัฒนาระดับจูเนียร์ที่จะค้นพบตัวอย่างโต้แย้งโดยบังเอิญขณะเพิ่มประสิทธิภาพการเรนเดอร์น้ำในเกมอินดี้ของพวกเขา

ในขณะที่เรารอ จำไว้ว่า: ทุกครั้งที่คุณคนกาแฟ คุณกำลังเปิดกระบวนการคำนวณที่ในทางทฤษฎีสามารถจำลองอัลกอริทึมใด ๆ ได้ รวมถึง Doom ด้วย เราแค่ยังไม่รู้วิธีเขียนโปรแกรมในภาษาของความปั่นป่วน