För första gången, astrofysiker har använt artificiell intelligens för att skapa komplexa 3D-simuleringar av universum. Resultaten är så snabba, exakt och robust att även skaparna inte är säkra på hur det hela fungerar.

"Vi kan köra dessa simuleringar på några millisekunder, medan andra "snabba" simuleringar tar ett par minuter, " säger studiens medförfattare Shirley Ho, en gruppledare vid Flatiron Institutes Center for Computational Astrophysics i New York City och en adjungerad professor vid Carnegie Mellon University. "Inte bara det, men vi är mycket mer exakta."

Projektets hastighet och noggrannhet, kallad Deep Density Displacement Model, eller D ³ M för kort, var inte den största överraskningen för forskarna. Den verkliga chocken var att D ³ M kunde exakt simulera hur universum skulle se ut om vissa parametrar justerades – som hur mycket av kosmos som är mörk materia – även om modellen aldrig hade fått några träningsdata där dessa parametrar varierade.

"Det är som att lära ut bildigenkänningsprogram med massor av bilder på katter och hundar, men då kan den känna igen elefanter, "Ho förklarar. "Ingen vet hur den gör det här, och det är ett stort mysterium som ska lösas."

Ho och hennes kollegor presenterar D ³ M 24 juni i Proceedings of the National Academy of Sciences . Studien leddes av Siyu He, en forskningsanalytiker vid Flatiron Institute.

Ho och He arbetade i samarbete med Yin Li från Berkeley Center for Cosmological Physics vid University of California, Berkeley, och Kavli-institutet för universums fysik och matematik nära Tokyo; Yu Feng från Berkeley Center for Cosmological Physics; Wei Chen från Flatiron Institute; Siamak Ravanbakhsh vid University of British Columbia i Vancouver; och Barnabás Póczos från Carnegie Mellon University.

Datorsimuleringar som de som gjorts av D ³ M har blivit väsentliga för teoretisk astrofysik. Forskare vill veta hur kosmos kan utvecklas under olika scenarier, som om den mörka energin som drar isär universum varierade över tiden. Sådana studier kräver att tusentals simuleringar körs, göra en blixtsnabb och mycket exakt datormodell till ett av huvudmålen för modern astrofysik.

D ³ M modellerar hur gravitationen formar universum. Forskarna valde att fokusera på gravitationen enbart eftersom det är den överlägset viktigaste kraften när det kommer till den storskaliga utvecklingen av kosmos.

De mest exakta universumsimuleringarna beräknar hur gravitationen förskjuter var och en av miljarder individuella partiklar över universums hela ålder. Den nivån av noggrannhet tar tid, kräver cirka 300 beräkningstimmar för en simulering. Snabbare metoder kan avsluta samma simuleringar på cirka två minuter, men de genvägar som krävs resulterar i lägre noggrannhet.

Ho, Han och deras kollegor finslipade det djupa neurala nätverk som driver D ³ M genom att mata den 8, 000 olika simuleringar från en av de modeller med högsta noggrannhet som finns. Neurala nätverk tar träningsdata och kör beräkningar på informationen; forskarna jämför sedan det resulterande resultatet med det förväntade resultatet. Med vidareutbildning, neurala nätverk anpassar sig över tiden för att ge snabbare och mer exakta resultat.

Efter träning D ³ M, forskarna körde simuleringar av ett lådformat universum med en diameter på 600 miljoner ljusår och jämförde resultaten med de långsamma och snabba modellerna. Medan den långsamma men exakta metoden tog hundratals timmars beräkningstid per simulering och den befintliga snabba metoden tog ett par minuter, D ³ M kunde slutföra en simulering på bara 30 millisekunder.

D ³ M tog också fram korrekta resultat. Jämfört med modellen med hög noggrannhet, D ³ M hade ett relativfel på 2,8 procent. Med samma jämförelse, den befintliga snabbmodellen hade ett relativt fel på 9,3 procent.

D ³ M:s anmärkningsvärda förmåga att hantera parametervariationer som inte finns i dess träningsdata gör det till ett särskilt användbart och flexibelt verktyg, säger Ho. Förutom att modellera andra krafter, såsom hydrodynamik, Hos team hoppas kunna lära sig mer om hur modellen fungerar under huven. Att göra det kan ge fördelar för utvecklingen av artificiell intelligens och maskininlärning, säger Ho.

"Vi kan vara en intressant lekplats för en maskininlärare att använda för att se varför den här modellen extrapolerar så bra, varför det extrapolerar till elefanter istället för att bara känna igen katter och hundar, " säger hon. "Det är en tvåvägsgata mellan vetenskap och djupinlärning."