Новая модель ИИ точно моделирует вселенную всего за 30 миллисекунд


Новая модель ИИ точно моделирует вселенную всего за 30 миллисекунд
Сравнение точности новой модели (D3M) и моделирования N-тел, сгенерированных лагранжевой теорией возмущений второго порядка (2LPT). Средняя ошибка смещения в миллионах световых лет представлена различными цветами в сетке.

Первый ИИ симулятор Вселенной является быстрым и точным. Модель ИИ может моделировать Вселенную шириной 600 миллионов световых лет за 30 миллисекунд с относительной погрешностью 2,8%.

Чтобы объяснить эволюцию нашей Вселенной, ученым требуется большое количество симуляций для извлечения информации из наблюдений неба. Процесс включает оценку миллиардов частиц с точной физической моделью на протяжении огромного объема в течение миллиардов лет.

Астрофизики обычно используют подход, называемый симуляцией N-тела, чтобы предсказать формирование структуры Вселенной. Однако метод является вычислительно дорогим.

Теперь команда исследователей в Соединенных Штатах разработала новую модель — альтернативу симуляции N-тела — для создания сложных трехмерных симуляций вселенной. Он использует методы глубокого обучения, чтобы выводить гораздо более точные результаты за гораздо меньшее время.
Модель смещения глубокой плотности

Нейронная сеть, названная моделью смещения глубокой плотности (D3M), обучается на одном наборе космологических параметров.

Наряду с предоставлением быстрых и точных результатов, он мог бы точно моделировать, как будет выглядеть наша вселенная, если бы конкретные параметры были изменены (например, количество темной материи в космосе), несмотря на то, что модель никогда не обучалась на данных, где эти параметры варьировались.

«Это похоже на обучение программе распознавания изображений с большим количеством изображений собак и кошек, но затем она способна распознавать слонов». — Ширли Хо, соавтор исследовательской работы.

D3M моделирует влияние гравитации (самая важная сила) на нашу Вселенную. Он вычисляет, как эта сила перемещает миллиарды отдельных частиц в течение всей эволюции Вселенной.

Исследователи обучили D3M примерно на 8000 различных симуляций из самых точных существующих моделей. Глубокие нейронные сети, которые питают D3M, постепенно научились давать более точные результаты за меньшее время.

После того, как модель была обучена, астрофизики провели симуляцию вселенной квадратной формы шириной 600 миллионов световых лет. Затем они сравнили результаты с существующими современными моделями.

В то время как точный, но медленный метод занимал моделирование вселенной в течение сотен часов, а быстрый подход занимал несколько минут, D3M запустил моделирование всего за 30 миллисекунд.

По сравнению с существующим быстрым подходом, который имел относительную ошибку 9,3%, D3M дал более точные результаты с относительной ошибкой 2,8%.

Что действительно делает эту модель особенной, так это ее исключительную способность обрабатывать изменения космологических параметров, которые не были включены в наборы обучающих данных.

В следующем исследовании ученые попытаются смоделировать и другие силы, включая гидродинамику. Сложность модели может быть дополнительно улучшена путем добавления моделирования с более высоким разрешением.

Более того, они проанализируют рабочий механизм D3M, чтобы понять, почему он так хорошо экстраполирует. Это может быть очень полезно для развития методов машинного обучения.


Источник