AI lærer at modellere vores univers

Forskere har med succes skabt en model af universet ved hjælp af kunstig intelligens, rapporterer en ny undersøgelse.

Forskere søger at forstå vores univers ved at lave modelforudsigelser, der matcher observationer. Historisk set, de har været i stand til at modellere simple eller meget forenklede fysiske systemer, spøgefuldt døbt de "sfæriske køer, " med blyanter og papir. Senere, ankomsten af ​​computere gjorde dem i stand til at modellere komplekse fænomener med numeriske simuleringer. For eksempel, forskere har programmeret supercomputere til at simulere bevægelsen af ​​milliarder af partikler gennem milliarder af års kosmisk tid, en procedure kendt som N-body simuleringer, for at studere, hvordan universet udviklede sig til det, vi observerer i dag.

"Nu med maskinlæring, vi har udviklet den første neurale netværksmodel af universet, og demonstrerede, at der er en tredje vej til at lave forudsigelser, en, der kombinerer fordelene ved både analytisk beregning og numerisk simulering, " sagde Yin Li, en postdoktor ved Kavli Instituttet for Universets Fysik og Matematik, Tokyo Universitet, og i fællesskab University of California, Berkeley.

En sammenligning af nøjagtigheden af ​​to modeller af universet. Den nye dybe læringsmodel (til venstre), døbt D3M, er meget mere nøjagtig end en eksisterende analysemetode (til højre) kaldet 2LPT. Farverne repræsenterer fejlen i forskydningen ved hvert punkt i forhold til den numeriske simulering, som er præcis, men meget langsommere end deep learning-modellen.

I begyndelsen af ​​vores univers, tingene var meget ensartede. Som tiden gik, de tættere dele blev tættere, og de tyndere dele blev tyndere på grund af tyngdekraften, til sidst danner en skumlignende struktur kendt som det "kosmiske væv". For at studere denne strukturdannelsesproces, forskere har prøvet mange metoder, herunder analytiske beregninger og numeriske simuleringer. Analysemetoder er hurtige, men undlader at producere nøjagtige resultater for store tæthedsudsving. På den anden side, numeriske (N-legeme) metoder simulerer strukturdannelse nøjagtigt, men det er dyrt at spore gazillioner af partikler, selv på supercomputere. Dermed, at modellere universet, videnskabsmænd står ofte over for en afvejning mellem nøjagtighed og effektivitet.

Imidlertid, den eksplosive vækst af observationsdata i kvalitet og kvantitet kræver metoder, der udmærker sig i både nøjagtighed og effektivitet.

For at tackle denne udfordring, et team af forskere fra USA, Canada, og Japan, inklusive Li, sæt blikket mod maskinlæring, en banebrydende tilgang til at opdage mønstre og lave forudsigelser. Ligesom maskinlæring kan forvandle en ung mands portræt til sit ældre jeg, Li og kolleger spurgte, om det også kan forudsige, hvordan universer udvikler sig baseret på deres tidlige snapshots. De trænede et foldet neuralt netværk med simuleringsdata på billioner af kubiske lysår i volumen, og byggede en dyb læringsmodel, der var i stand til at efterligne strukturdannelsesprocessen. Den nye model er ikke kun mange gange mere præcis end de analytiske metoder, men er også meget mere effektiv end de numeriske simuleringer, der bruges til træningen.

"Det har styrkerne fra både tidligere [analytisk beregning og numerisk simulering] metoder, " sagde Li.

Li siger, at kraften ved AI-emulering vil opskaleres i fremtiden. N-body simuleringer er allerede stærkt optimeret, og som et første forsøg, hans teams AI-model har stadig store plads til forbedring. Også, mere komplicerede fænomener medfører større omkostninger ved simulering, men ikke sandsynligt så på emulering. Li og hans kolleger forventer en større præstationsgevinst fra deres AI-emulator, når de går videre til at inkludere andre effekter, såsom hydrodynamik, ind i simuleringerne.

"Det vil ikke vare længe, ​​før vi kan afsløre de indledende betingelser for og fysikken indkodet i vores univers langs denne vej, " han sagde.