Ett universum utvecklas över miljarder på miljarder år, men forskare har utvecklat ett sätt att skapa ett komplext simulerat universum på mindre än en dag. Tekniken, publiceras i veckans Proceedings of the National Academy of Sciences , sammanför maskininlärning, högpresterande beräkningar och astrofysik och kommer att hjälpa till att inleda en ny era av högupplösta kosmologisimuleringar.

Kosmologiska simuleringar är en viktig del av att reta ut universums många mysterier, inklusive mörk materia och mörk energi. Men tills nu, forskare stod inför den gemensamma gåtan att inte kunna ha allt ¬— simuleringar kunde fokusera på ett litet område med hög upplösning, eller så kan de omfatta en stor volym av universum med låg upplösning.

Carnegie Mellon University fysikprofessorer Tiziana Di Matteo och Rupert Croft, Flatiron Institute forskare Yin Li, Carnegie Mellon Ph.D. kandidat Yueying Ni, University of California Riverside professor i fysik och astronomi Simeon Bird och University of California Berkeleys Yu Feng övervann detta problem genom att lära ut en maskininlärningsalgoritm baserad på neurala nätverk för att uppgradera en simulering från låg upplösning till superupplösning.

"Kosmologiska simuleringar måste täcka en stor volym för kosmologiska studier, samtidigt som det kräver hög upplösning för att lösa den småskaliga galaxbildningens fysik, vilket skulle medföra skrämmande beräkningsutmaningar. Vår teknik kan användas som ett kraftfullt och lovande verktyg för att matcha dessa två krav samtidigt genom att modellera den småskaliga galaxbildningsfysiken i stora kosmologiska volymer, sa Ni, som utförde utbildningen av modellen, byggde pipelinen för testning och validering, analyserade datan och gjorde visualiseringen från datan.

Den tränade koden kan ta fullskalig, lågupplösta modeller och generera superupplösta simuleringar som innehåller upp till 512 gånger så många partiklar. För en region i universum med en diameter på cirka 500 miljoner ljusår som innehåller 134 miljoner partiklar, befintliga metoder skulle kräva 560 timmar för att göra en högupplöst simulering med en enda bearbetningskärna. Med det nya tillvägagångssättet, forskarna behöver bara 36 minuter.

Resultaten blev ännu mer dramatiska när fler partiklar lades till i simuleringen. För ett universum 1, 000 gånger så stor med 134 miljarder partiklar, forskarnas nya metod tog 16 timmar på en enda grafisk bearbetningsenhet. Med nuvarande metoder, en simulering av denna storlek och upplösning skulle ta en dedikerad superdator månader att slutföra.

Att minska tiden det tar att köra kosmologiska simuleringar "har potentialen att ge stora framsteg inom numerisk kosmologi och astrofysik, " sa Di Matteo. "Kosmologiska simuleringar följer universums historia och öde, hela vägen till bildandet av alla galaxer och deras svarta hål."

Forskare använder kosmologiska simuleringar för att förutsäga hur universum skulle se ut i olika scenarier, som om den mörka energin som drar isär universum varierade över tiden. Teleskopobservationer bekräftar sedan om simuleringarnas förutsägelser överensstämmer med verkligheten.

"Med våra tidigare simuleringar, vi visade att vi kunde simulera universum för att upptäcka ny och intressant fysik, men bara på små eller lågupplösta skalor, " sa Croft. "Genom att införliva maskininlärning, tekniken kan komma ikapp våra idéer."

Di Matteo, Croft och Ni är en del av Carnegie Mellons National Science Foundation (NSF) Planning Institute for Artificial Intelligence in Physics, som stödde detta arbete, och medlemmar av Carnegie Mellons McWilliams Center for Cosmology.

"Universum är den största datamängden som finns - artificiell intelligens är nyckeln till att förstå universum och avslöja ny fysik, sa Scott Dodelson, professor och chef för avdelningen för fysik vid Carnegie Mellon University och chef för NSF Planning Institute. "Denna forskning illustrerar hur NSF Planning Institute for Artificiell Intelligens kommer att främja fysik genom artificiell intelligens, maskininlärning, statistik och datavetenskap."

"Det är tydligt att AI har en stor effekt på många vetenskapsområden, inklusive fysik och astronomi, sa James Shank, en programdirektör i NSF:s avdelning för fysik. "Vårt AI-planeringsinstitut-program arbetar för att driva AI för att påskynda upptäckten. Det här nya resultatet är ett bra exempel på hur AI förändrar kosmologin."

För att skapa sin nya metod, Ni och Li utnyttjade dessa fält för att skapa en kod som använder neurala nätverk för att förutsäga hur gravitationen flyttar runt mörk materia över tiden. Nätverken tar träningsdata, köra beräkningar och jämföra resultaten med det förväntade resultatet. Med vidareutbildning, nätverken anpassar sig och blir mer exakta.

Det specifika tillvägagångssättet som forskarna använder, kallas ett generativt motståndsnätverk, ställer två neurala nätverk mot varandra. Ett nätverk tar lågupplösta simuleringar av universum och använder dem för att generera högupplösta modeller. Det andra nätverket försöker skilja dessa simuleringar från de som gjorts med konventionella metoder. Över tid, båda neurala nätverk blir bättre och bättre tills, i sista hand, simuleringsgeneratorn vinner fram och skapar snabba simuleringar som ser ut precis som de långsamma konventionella.

"Vi kunde inte få det att fungera på två år, "Li sa, "och plötsligt började det fungera. Vi fick vackra resultat som matchade vad vi förväntade oss. Vi gjorde till och med några blindtester själva, och de flesta av oss kunde inte se vilken som var "riktig" och vilken som var "falsk."

Trots att den bara tränas med små ytor, de neurala nätverken replikerade exakt de storskaliga strukturerna som bara uppträder i enorma simuleringar.

Simuleringarna fångade inte allt, fastän. Eftersom de fokuserade på mörk materia och gravitation, fenomen i mindre skala - som stjärnbildning, supernovor och effekterna av svarta hål — utelämnades. Forskarna planerar att utöka sina metoder till att omfatta de krafter som är ansvariga för sådana fenomen, och att köra sina neurala nätverk "on the fly" tillsammans med konventionella simuleringar för att förbättra noggrannheten.