Onderzoekers hebben met succes een model van het heelal gemaakt met behulp van kunstmatige intelligentie, meldt een nieuwe studie.

Onderzoekers proberen ons heelal te begrijpen door modelvoorspellingen te doen die overeenkomen met waarnemingen. historisch, ze hebben eenvoudige of sterk vereenvoudigde fysieke systemen kunnen modelleren, gekscherend de "bolvormige koeien, " met potloden en papier. Later, de komst van computers stelde hen in staat om complexe fenomenen te modelleren met numerieke simulaties. Bijvoorbeeld, onderzoekers hebben supercomputers geprogrammeerd om de beweging van miljarden deeltjes door miljarden jaren kosmische tijd te simuleren, een procedure die bekend staat als de N-body-simulaties, om te bestuderen hoe het heelal evolueerde tot wat we vandaag waarnemen.

"Nu met machine learning, we hebben het eerste neurale netwerkmodel van het heelal ontwikkeld, en aangetoond dat er een derde manier is om voorspellingen te doen, een die de verdiensten van zowel analytische berekening als numerieke simulatie combineert, " zei Yin Li, een postdoctoraal onderzoeker aan het Kavli Institute for the Physics and Mathematics of the Universe, Universiteit van Tokio, en gezamenlijk de Universiteit van Californië, Berkeley.

Een vergelijking van de nauwkeurigheid van twee modellen van het heelal. Het nieuwe deep learning-model (links), genaamd D3M, is veel nauwkeuriger dan een bestaande analytische methode (rechts) genaamd 2LPT. De kleuren vertegenwoordigen de fout in verplaatsing op elk punt ten opzichte van de numerieke simulatie, wat nauwkeurig is, maar veel langzamer dan het deep learning-model.

Aan het begin van ons heelal, dingen waren extreem uniform. Naarmate de tijd verstreek, de dichtere delen werden dichter en dunnere delen werden schaarser door de zwaartekracht, uiteindelijk een schuimachtige structuur vormend die bekend staat als het 'kosmische web'. Om dit structuurvormingsproces te bestuderen, onderzoekers hebben vele methoden geprobeerd, inclusief analytische berekeningen en numerieke simulaties. Analytische methoden zijn snel, maar slagen er niet in om nauwkeurige resultaten te produceren voor grote dichtheidsfluctuaties. Anderzijds, numerieke (N-body) methoden simuleren structuurvorming nauwkeurig, maar het volgen van ontelbare deeltjes is kostbaar, zelfs op supercomputers. Dus, om het universum te modelleren, wetenschappers worden vaak geconfronteerd met de afweging tussen nauwkeurigheid en efficiëntie.

Echter, de explosieve groei van waarnemingsgegevens in kwaliteit en kwantiteit vraagt ​​om methoden die uitblinken in zowel nauwkeurigheid als efficiëntie.

Om deze uitdaging aan te gaan, een team van onderzoekers uit de VS, Canada, en Japan, inclusief Li, hun zinnen zetten op machine learning, een geavanceerde benadering voor het detecteren van patronen en het maken van voorspellingen. Net zoals machinaal leren het portret van een jonge man kan veranderen in zijn oudere zelf, Li en collega's vroegen of het ook kan voorspellen hoe universums evolueren op basis van hun vroege snapshots. Ze trainden een convolutief neuraal netwerk met simulatiegegevens van biljoenen kubieke lichtjaren in volume, en bouwde een deep learning-model dat het structuurvormingsproces kon nabootsen. Het nieuwe model is niet alleen vele malen nauwkeuriger dan de analytische methoden, maar is ook veel efficiënter dan de numerieke simulaties die voor de training worden gebruikt.

"Het heeft de sterke punten van beide eerdere [analytische berekening en numerieke simulatie] methoden, " zei Li.

Li zegt dat de kracht van AI-emulatie in de toekomst zal toenemen. N-body-simulaties zijn al sterk geoptimaliseerd, en als eerste poging het AI-model van zijn team heeft nog veel ruimte voor verbetering. Ook, meer gecompliceerde fenomenen brengen hogere kosten met zich mee voor simulatie, maar waarschijnlijk niet bij emulatie. Li en zijn collega's verwachten een grotere prestatiewinst van hun AI-emulator wanneer ze doorgaan met het opnemen van andere effecten, zoals hydrodynamica, in de simulaties.

"Het zal niet lang duren voordat we de beginvoorwaarden en de fysica die in ons universum zijn gecodeerd langs dit pad kunnen ontdekken, " hij zei.