科學家們第一次用人工智能（AI）來生成複雜的三維宇宙模擬，結果是相當的准確、穩定、和快速。該研究的合著者雪莉·何(Shirley Ho)說：我們可以在幾毫秒內運行這些模擬，而其他‘快速’模擬需要幾分鍾，不僅如此，而且更准確。這項名爲“深層密度位移模型”(Deep Density Displacement Model，簡稱D3M)的工程速度和准確性，並不是研究人員最驚訝的地方。
真正令人震驚的是，D3M能夠准確地模擬出如果某些參數被調整後宇宙的樣子（比如宇宙中有多少是暗物質）即使該模型從未收到任何這些參數變化的訓練數據。這就像教圖像識別軟件，裏面有很多貓和狗的圖片，然後它就能識別大象了，沒有人知道它是如何做到這一點的，這是一個有待解決的巨大謎團，其研究發表在《美國國家科學院院刊》上。
Shirley Ho和加州大學伯克利分校伯克利宇宙物理中心的Yin Li和東京Kavli宇宙物理和數學研究所合作伯克利宇宙物理中心的余峰，熨鬥研究所的魏晨，溫哥華不列顛哥倫比亞大學的Siamak Ravanbakhsh和Carnegie Mellon大學的BarnabásPóczos。
像D3M所做的計算機模擬已經成爲理論天體物理學的基礎，科學家們想知道宇宙在不同的情況下可能如何演化，比導致宇宙膨脹的暗能量是否會隨著時間而變化。這樣的研究需要運行數千次模擬，使閃電般快速和高度精確的計算機模型成爲現代天體物理學的主要目標之一，D3M模擬重力如何塑造宇宙，研究人員選擇只關注引力。
因爲到目前爲止，當涉及到宇宙的大規模演化時，引力是最重要的力量。最精確的宇宙模擬計算了引力如何在整個宇宙年齡範圍內改變數十億個單個粒子。這種精度需要時間，一次模擬需要大約300個小時的計算時間。更快的方法可以在大約兩分鍾內完成相同模擬，但是所需的快捷方式會導致較低的精度，研究人員對D3M的深層神經網絡進行了磨練。給D3M提供了8000種不同的模擬，這些模擬來自于可用的最精確模型之一。
神經網絡獲取訓練數據並對其進行計算，然後研究人員將結果與預期結果進行比較。隨著進一步的訓練，神經網絡會隨著時間的推移而適應，從而産生更快、更准確的結果。在訓練了D3M之後，研究人員對一個直徑6億光年的盒子狀宇宙進行了模擬，並將結果與慢速模型和快速模型進行了比較，雖然慢但准確的方法每次模擬需要數百小時的計算時間。
而現有的快速方法只需幾分鍾，但D3M可以在30毫秒內完成模擬。D3M也得出了准確的結果。與高精度模型相比，D3M的相對誤差爲2.8%。使用相同的比較，現有快速模型的相對誤差爲9.3%，D3M處理訓練數據中沒有發現參數變化的非凡能力使其成爲一個特別有用和靈活的工具。除了對其他力進行建模，比如流體動力學，研究團隊希望更多地了解模型在引擎蓋下是如何工作的。
這樣做可以爲人工智能和機器學習的進步帶來好處，對于機器學習者來說，可以成爲一個有趣的遊樂場，來看看爲什麽這個模型可以推斷得這麽好，爲什麽它可以推斷大象，而不僅僅是識別貓和狗，這是科學和深度學習之間的雙向道路。
博科園｜研究/來自：西蒙斯基金會
參考期刊《美國國家科學院院刊》
DOI: 10.1073/pnas.1821458116
博科園｜科學、科技、科研、科普
交流、探討、學習、科學圈
請下載我們手機軟件：博科園
支付寶生活號：博科園科學旗艦店