您的位置:首页 >创投 >

神经网络可以在几毫秒内建立宇宙的3D模拟

根据一项新的研究,与使用传统超级计算方法的数天或数周相比,神经网络可以在几毫秒内建立宇宙的3D模拟。

为了研究物质如何在空间中相互作用,科学家通常建立计算模型来模拟宇宙。一种模拟方法 - 称为N体模拟 - 可用于重建现象,从较小的事件,如分子云坍缩到恒星,到巨大的系统,如整个宇宙,显然到不同的准确度和解析度。

必须重复计算这些模型中数百万或数十亿颗粒或实体中的每一个之间的个体相互作用以跟踪它们随时间的运动。这需要大量的计算能力,超级计算机需要几天或几周才能返回结果。

对于不耐烦的棺材,现在有一些好消息。由美国纽约Flatiron研究所计算天体物理中心的蛋头领导的一群物理学家决定观察神经网络是否可以加快速度。

根据本周在美利坚合众国国家科学院院刊上发表的一篇论文,他们成功建立了一个深度神经网络,称为深密度位移模型,即D 3 M. 在为系统中的粒子提供一组位移矢量后,该模型创建了宇宙的模拟:简单地说,这些矢量定义了粒子在宇宙膨胀时应该朝向的方向和距离。然后它将这些矢量转化为图像,显示物质粒子如何在重力的作用下实际移动,并随着时间的推移聚集在一起形成星系细丝网。

共有8,000个宇宙模拟,每个模拟包含32,728个粒子,分布在6亿光年的虚拟空间中,由传统软件生成并用于训练D 3 M.换句话说,它教导了粒子如何从成千上万的传统宇宙中相互作用模拟,以便在推理期间,对于给定的任意输入粒子和位移矢量集,它可以使用其获得的直觉来产生输出。没有告诉相互作用背后的物理方程,传统的非AI模拟器被编程来计算; 相反,它获得了对输入集的预期的直觉。

神经网络的准确性通过其输出与两个更传统的N体模拟系统FastPM和2LPT创建的输出的相似程度来判断,当所有三个都被赋予相同的输入时。当D 3 M的任务是从1,000组输入数据中产生1,000次模拟时,与FastPM相比,它的相对误差为2.8%,而相同输入的相对误差为2LPT。这并不算太糟糕,考虑到模型需要30毫秒才能完成模拟。这不仅节省了时间,而且由于需要更少的计算能力,因此也更便宜。

令他们惊讶的是,研究人员还注意到D 3 M似乎能够根据训练数据中没有特别包含的条件进行宇宙模拟。在推理测试期间,团队调整了输入变量,例如虚拟宇宙中暗物质的数量,尽管没有针对这些变化进行专门训练,模型仍设法吐出准确的模拟。

“这就像教授有大量猫狗照片的图像识别软件,但它能够识别大象,” 该论文的第一作者和Flatiron研究所的一位组长Shirley Ho 说道。“没有人知道它是如何做到的,这是一个很难解决的问题。

“对于机器学习者来说,我们可以成为一个有趣的游乐场,看看为什么这个模型推断得如此之好,为什么它会推断出大象,而不仅仅是识别猫和狗。它是科学和深度学习之间的双向道路。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。