Wetenschap
Newton en de machine. Afbeelding van sir Isaac Newton naast een schema van een 10-laags diep neuraal netwerk. In elke laag (behalve de invoerlaag), een knooppunt neemt de gewogen invoer van de knooppunten van de vorige laag (plus een bias) en past vervolgens een activeringsfunctie toe voordat gegevens worden doorgegeven aan het volgende knooppunt. De gewichten (en bias) zijn vrije parameters die tijdens de training worden bijgewerkt. Krediet:arXiv:1910.07291 [astro-ph.GA]
Een klein team van onderzoekers van de Universiteit van Edinburgh, de Universiteit van Cambridge, Campus Universita'rio de Santiago en Universiteit Leiden hebben een manier ontwikkeld om een diep neuraal netwerk te gebruiken om het drielichamenprobleem op te lossen. Ze hebben een paper geschreven waarin ze hun inspanningen beschrijven en hebben deze geüpload naar de arXiv preprint-server.
Het drielichamenprobleem is eenvoudig te beschrijven, maar erg moeilijk op te lossen. Het gaat om het berekenen waar drie lichamen (zoals de zon, maan en aarde) zullen allemaal op een bepaald moment zijn, gezien hun initiële startposities samen met hun massa, huidige richting en hoe snel ze bewegen. Vroege navigators waren de eersten die probeerden om drielichamenproblemen op te lossen - het hielp hen om schepen over grote watermassa's zoals de Atlantische Oceaan te sturen. Maar dergelijke inspanningen waren vatbaar voor fouten vanwege de chaotische manieren waarop de zwaartekracht zijn invloed uitoefent op alle drie de lichamen wanneer ze op elkaar inwerken. Isaac Newton bedacht enkele vergelijkingen die betrekking hadden op het beschrijven van de vectorposities van de drie lichamen, ervan uitgaande dat elk een bepaalde massa had. Het oplossen van de vergelijkingen omvatte een lange reeks iteraties, daarom werd de methode pas gebruikt toen computers werden uitgevonden. Maar ook nu, met alle macht en kracht van moderne computers, het proces is nog lang en moeizaam. In de hoop een snellere manier te vinden om de klus te klaren, de onderzoekers met deze nieuwe inspanning vroegen zich af of neurale netwerken de taak aan zouden kunnen. Er achter komen, ze gebruikten de resultaten van een conventioneel systeem dat was gebouwd om het probleem op te lossen - een systeem genaamd Brutus. Ze lieten Brutus 9 oplossen. 900 "eenvoudige" scenario's en voerden de gegevens en resultaten naar hun neurale netwerk. Vervolgens, ze gaven het systeem zijn eigen "gemakkelijke" scenario's om op te lossen en vergeleken hoe het deed met Brutus die aan dezelfde scenario's werkte.
De onderzoekers melden dat de resultaten van de twee systemen erg dicht bij elkaar lagen, wat suggereert dat het neurale netwerk heel goed in staat was om drielichamenproblemen op te lossen - en het deed dat veel sneller. Het kostte Brutus ongeveer twee minuten om de "gemakkelijke" problemen op te lossen - het neurale netwerk produceerde bijna identieke resultaten in minder dan een seconde. De onderzoekers erkennen dat hoewel zeer snel, hun systeem wordt nog steeds beperkt door de krakende capaciteiten van Brutus - zonder dergelijke gegevens, het nieuwe systeem zou niets te leren hebben. Ze suggereren dat hun werk zich nog in de beginfase bevindt, maar hopen dat neurale netwerken op een dag in staat zullen zijn om veelsoortige problemen op te lossen, wetenschappers die de kosmos bestuderen een zeer waardevol instrument geven.
© 2019 Wetenschap X Netwerk
Wetenschap © https://nl.scienceaq.com