Den første AI-universsim er hurtig og præcis - og dens skabere ved ikke, hvordan den fungerer

For første gang, astrofysikere har brugt kunstig intelligens-teknikker til at generere komplekse 3-D-simuleringer af universet. Resultaterne er så hurtige, præcis og robust, at selv skaberne ikke er sikre på, hvordan det hele fungerer.

"Vi kan køre disse simuleringer på få millisekunder, mens andre 'hurtige' simuleringer tager et par minutter, " siger studiemedforfatter Shirley Ho, en gruppeleder ved Flatiron Institute's Center for Computational Astrophysics i New York City og en adjungeret professor ved Carnegie Mellon University. "Ikke kun det, men vi er meget mere præcise."

Projektets hastighed og nøjagtighed, kaldet Deep Density Displacement Model, eller D ³ M for kort, var ikke den største overraskelse for forskerne. Det virkelige chok var, at D ³ M kunne nøjagtigt simulere, hvordan universet ville se ud, hvis visse parametre blev justeret – såsom hvor meget af kosmos der er mørkt stof – selvom modellen aldrig havde modtaget træningsdata, hvor disse parametre varierede.

"Det er som at lære billedgenkendelsessoftware med masser af billeder af katte og hunde, men så er den i stand til at genkende elefanter, " forklarer Ho. "Ingen ved, hvordan den gør dette, og det er et stort mysterium, der skal løses."

Ho og hendes kolleger præsenterer D ³ M 24. juni i Proceedings of the National Academy of Sciences . Undersøgelsen blev ledet af Siyu He, en forskningsanalytiker ved Flatiron Institute.

Ho og He arbejdede i samarbejde med Yin Li fra Berkeley Center for Cosmological Physics ved University of California, Berkeley, og Kavli Institute for the Physics and Mathematics of the Universe nær Tokyo; Yu Feng fra Berkeley Center for Kosmologisk Fysik; Wei Chen fra Flatiron Institute; Siamak Ravanbakhsh fra University of British Columbia i Vancouver; og Barnabás Póczos fra Carnegie Mellon University.

Computersimuleringer som dem lavet af D ³ M er blevet afgørende for teoretisk astrofysik. Forskere ønsker at vide, hvordan kosmos kan udvikle sig under forskellige scenarier, som hvis den mørke energi, der trækker universet fra hinanden, varierede over tid. Sådanne undersøgelser kræver at køre tusindvis af simuleringer, gør en lynhurtig og meget nøjagtig computermodel til et af hovedformålene med moderne astrofysik.

D ³ M modellerer, hvordan tyngdekraften former universet. Forskerne valgte at fokusere på tyngdekraften alene, fordi det er langt den vigtigste kraft, når det kommer til den store evolution af kosmos.

De mest nøjagtige universsimuleringer beregner, hvordan tyngdekraften forskyder hver af milliarder af individuelle partikler over hele universets alder. Det niveau af nøjagtighed tager tid, kræver omkring 300 beregningstimer for en simulering. Hurtigere metoder kan afslutte de samme simuleringer på cirka to minutter, men de nødvendige genveje resulterer i lavere nøjagtighed.

Hej, Han og deres kolleger finpudset det dybe neurale netværk, der driver D ³ M ved at fodre den 8, 000 forskellige simuleringer fra en af ​​de højest tilgængelige modeller. Neurale netværk tager træningsdata og kører beregninger på informationen; forskere sammenligner derefter det resulterende resultat med det forventede resultat. Med efteruddannelse, neurale netværk tilpasser sig over tid for at give hurtigere og mere nøjagtige resultater.

Efter træning D ³ M, forskerne kørte simuleringer af et kasseformet univers 600 millioner lysår på tværs og sammenlignede resultaterne med resultaterne fra de langsomme og hurtige modeller. Mens den langsomme, men nøjagtige tilgang tog hundredvis af timers beregningstid pr. simulering, og den eksisterende hurtige metode tog et par minutter, D ³ M kunne gennemføre en simulering på kun 30 millisekunder.

D ³ M fremlagde også præcise resultater. Sammenlignet med modellen med høj nøjagtighed, D ³ M havde en relativ fejl på 2,8 procent. Ved at bruge den samme sammenligning, den eksisterende hurtige model havde en relativ fejl på 9,3 procent.

D ³ M's bemærkelsesværdige evne til at håndtere parametervariationer, der ikke findes i dets træningsdata, gør det til et særligt nyttigt og fleksibelt værktøj, siger Ho. Ud over at modellere andre kræfter, såsom hydrodynamik, Ho's team håber at lære mere om, hvordan modellen fungerer under motorhjelmen. At gøre det kan give fordele for fremme af kunstig intelligens og maskinlæring, siger Ho.

"Vi kan være en interessant legeplads for en maskinlærer at bruge til at se, hvorfor denne model ekstrapolerer så godt, hvorfor det ekstrapolerer til elefanter i stedet for bare at genkende katte og hunde, " siger hun. "Det er en tovejsvej mellem videnskab og dyb læring."