Voor de eerste keer, astrofysici hebben kunstmatige-intelligentietechnieken gebruikt om complexe 3D-simulaties van het universum te genereren. De resultaten zijn zo snel, nauwkeurig en robuust dat zelfs de makers niet zeker weten hoe het allemaal werkt.

"We kunnen deze simulaties in een paar milliseconden uitvoeren, terwijl andere 'snelle' simulaties een paar minuten duren, " zegt co-auteur Shirley Ho, een groepsleider bij het Center for Computational Astrophysics van het Flatiron Institute in New York City en een adjunct-professor aan de Carnegie Mellon University. "Niet alleen dat, maar we zijn veel nauwkeuriger."

De snelheid en nauwkeurigheid van het project, het Deep Density Displacement Model genoemd, of D ³ M in het kort, was niet de grootste verrassing voor de onderzoekers. De echte schok was dat D ³ M zou nauwkeurig kunnen simuleren hoe het universum eruit zou zien als bepaalde parameters werden aangepast - zoals hoeveel van de kosmos donkere materie is - hoewel het model nooit trainingsgegevens had ontvangen waarin die parameters varieerden.

"Het is alsof je beeldherkenningssoftware leert met veel foto's van katten en honden, maar dan kan het olifanten herkennen, Ho legt uit. "Niemand weet hoe het dit doet, en het is een groot mysterie dat moet worden opgelost."

Ho en haar collega's presenteren D ³ M 24 juni in de Proceedings van de National Academy of Sciences . De studie werd geleid door Siyu He, een onderzoeksanalist van het Flatiron Institute.

Ho en He werkten samen met Yin Li van het Berkeley Center for Cosmological Physics aan de University of California, Berkeley, en het Kavli Institute for the Physics and Mathematics of the Universe in de buurt van Tokyo; Yu Feng van het Berkeley Center for Cosmological Physics; Wei Chen van het Flatiron Institute; Siamak Ravanbakhsh van de Universiteit van British Columbia in Vancouver; en Barnabás Póczos van de Carnegie Mellon University.

Computersimulaties zoals die van D ³ M zijn essentieel geworden voor theoretische astrofysica. Wetenschappers willen weten hoe de kosmos kan evolueren onder verschillende scenario's, alsof de donkere energie die het universum uit elkaar trekt in de loop van de tijd varieert. Dergelijke studies vereisen het uitvoeren van duizenden simulaties, een bliksemsnel en zeer nauwkeurig computermodel tot een van de belangrijkste doelstellingen van de moderne astrofysica maken.

NS ³ M modelleert hoe zwaartekracht het heelal vormt. De onderzoekers kozen ervoor om zich alleen op de zwaartekracht te concentreren, omdat dit verreweg de belangrijkste kracht is als het gaat om de grootschalige evolutie van de kosmos.

De meest nauwkeurige universumsimulaties berekenen hoe de zwaartekracht elk van miljarden individuele deeltjes over de hele leeftijd van het universum verschuift. Dat niveau van nauwkeurigheid kost tijd, ongeveer 300 rekenuren nodig voor één simulatie. Snellere methoden kunnen dezelfde simulaties in ongeveer twee minuten voltooien, maar de vereiste sneltoetsen resulteren in een lagere nauwkeurigheid.

hoi, Hij en hun collega's verbeterden het diepe neurale netwerk dat D . aandrijft ³ M door het 8 te voeren, 000 verschillende simulaties van een van de meest nauwkeurige modellen die beschikbaar zijn. Neurale netwerken nemen trainingsgegevens en voeren berekeningen uit op de informatie; onderzoekers vergelijken vervolgens de resulterende uitkomst met de verwachte uitkomst. Met verdere opleiding, neurale netwerken passen zich in de loop van de tijd aan om snellere en nauwkeurigere resultaten op te leveren.

Na de training D ³ M, de onderzoekers voerden simulaties uit van een doosvormig universum met een doorsnede van 600 miljoen lichtjaar en vergeleken de resultaten met die van de langzame en snelle modellen. Terwijl de langzame maar nauwkeurige aanpak honderden uren rekentijd per simulatie kostte en de bestaande snelle methode een paar minuten, NS ³ M zou een simulatie in slechts 30 milliseconden kunnen voltooien.

NS ³ M leverde ook nauwkeurige resultaten op. In vergelijking met het model met hoge nauwkeurigheid, NS ³ M had een relatieve fout van 2,8 procent. Met dezelfde vergelijking, het bestaande snelle model had een relatieve fout van 9,3 procent.

NS ³ M's opmerkelijke vermogen om parametervariaties te verwerken die niet in zijn trainingsgegevens worden gevonden, maakt het een bijzonder nuttig en flexibel hulpmiddel, zegt Ho. Naast het modelleren van andere krachten, zoals hydrodynamica, Ho's team hoopt meer te weten te komen over hoe het model onder de motorkap werkt. Dit zou voordelen kunnen opleveren voor de vooruitgang van kunstmatige intelligentie en machine learning, zegt Ho.

"We kunnen een interessante speeltuin zijn voor een machine-leerling om te zien waarom dit model zo goed extrapoleert, waarom het extrapoleert naar olifanten in plaats van alleen katten en honden te herkennen, " zegt ze. "Het is een tweerichtingsverkeer tussen wetenschap en diepgaand leren."