Forskare har framgångsrikt skapat en modell av universum med artificiell intelligens, rapporterar en ny studie.

Forskare försöker förstå vårt universum genom att göra modellprognoser som matchar observationer. Historiskt sett de har kunnat modellera enkla eller mycket förenklade fysiska system, skämtsamt kallade de "sfäriska korna, "med pennor och papper. Senare, ankomsten av datorer gjorde det möjligt för dem att modellera komplexa fenomen med numeriska simuleringar. Till exempel, forskare har programmerat superdatorer för att simulera rörelsen av miljarder partiklar genom miljarder år av kosmisk tid, ett förfarande som kallas N-kroppssimuleringar, för att studera hur universum utvecklats till det vi observerar idag.

"Nu med maskininlärning, vi har utvecklat universums första neurala nätverksmodell, och visade att det finns en tredje väg att göra förutsägelser, en som kombinerar fördelarna med både analytisk beräkning och numerisk simulering, "sa Yin Li, en postdoktor vid Kavli -institutet för universums fysik och matematik, University of Tokyo, och tillsammans University of California, Berkeley.

En jämförelse av noggrannheten hos två modeller av universum. Den nya modellen för djupinlärning (vänster), kallad D3M, är mycket mer exakt än en befintlig analytisk metod (höger) som kallas 2LPT. Färgerna representerar förskjutningsfelet vid varje punkt i förhållande till den numeriska simuleringen, vilket är korrekt men mycket långsammare än modellen för djupinlärning.

I början av vårt universum, saker var extremt enhetliga. Medan tiden gick, de tätare delarna blev tätare och glesare delar blev glesare på grund av tyngdkraften, så småningom bildar en skumliknande struktur som kallas den "kosmiska banan". För att studera denna strukturbildningsprocess, forskare har provat många metoder, inklusive analytiska beräkningar och numeriska simuleringar. Analytiska metoder är snabba, men misslyckas med att ge exakta resultat för stora densitetsfluktuationer. Å andra sidan, numeriska (N-body) metoder simulerar strukturbildning exakt, men att spåra miljarder partiklar är dyrt, även på superdatorer. Således, att modellera universum, forskare möter ofta avvägningen mellan noggrannhet och effektivitet.

Dock, den explosiva tillväxten av observationsdata i kvalitet och kvantitet kräver metoder som utmärker sig i både noggrannhet och effektivitet.

För att hantera denna utmaning, ett team av forskare från USA, Kanada, och Japan, inklusive Li, siktar på maskininlärning, en banbrytande metod för att upptäcka mönster och göra förutsägelser. Precis som maskininlärning kan förvandla en ung mans porträtt till sitt äldre jag, Li och kollegor frågade om det också kan förutsäga hur universum utvecklas utifrån deras tidiga ögonblicksbilder. De utbildade ett konvolutionellt neuralt nätverk med simuleringsdata av biljoner kubikljusår i volym, och byggde en djupinlärningsmodell som kunde efterlikna strukturbildningsprocessen. Den nya modellen är inte bara många gånger mer exakt än de analytiska metoderna, men är också mycket effektivare än de numeriska simuleringar som används för dess träning.

"Den har styrkorna i både tidigare [analytisk beräkning och numerisk simulering] -metoder, "sa Li.

Li säger att kraften i AI -emulering kommer att öka i framtiden. N-kroppssimuleringar är redan starkt optimerade, och som ett första försök, hans lags AI -modell har fortfarande stort utrymme för förbättringar. Också, mer komplicerade fenomen medför en större kostnad för simulering, men inte troligt så på emulering. Li och hans kollegor förväntar sig en större prestandavinst från sin AI -emulator när de går vidare till att inkludera andra effekter, såsom hydrodynamik, in i simuleringarna.

"Det kommer inte att dröja länge innan vi kan avslöja de inledande förhållandena för och fysiken som är kodad i vårt universum längs denna väg, " han sa.