Pierwsza w historii symulacja wszechświata sztucznej inteligencji wydaje się działać jak prawdziwa - i jest prawie tak tajemnicza.
Naukowcy poinformowali o nowej symulacji 24 czerwca w czasopiśmie Proceedings of National Academy of Sciences. Celem było stworzenie wirtualnej wersji kosmosu w celu symulacji różnych warunków na początek wszechświata, ale naukowcy mają również nadzieję, że przestudiują własną symulację, aby zrozumieć, dlaczego tak dobrze działa.
„To jak nauczanie oprogramowania do rozpoznawania obrazów z dużą ilością zdjęć kotów i psów, ale potem jest ono w stanie rozpoznać słonie” - powiedział współautor Shirley Ho, teoretyczny astrofizyk z Center for Computational Astrophysics w Nowym Jorku komunikat. „Nikt nie wie, jak to robi i jest to wielka tajemnica do rozwiązania”.
Symulowanie wszechświata
Biorąc pod uwagę ogromny wiek i skalę wszechświata, zrozumienie jego powstania jest trudnym wyzwaniem. Jednym z narzędzi w zestawie narzędzi astrofizyka jest modelowanie komputerowe. Tradycyjne modele wymagają jednak dużej mocy obliczeniowej i czasu, ponieważ astrofizycy mogą potrzebować przeprowadzić tysiące symulacji, dostosowując różne parametry, aby ustalić, który scenariusz jest najbardziej prawdopodobny w świecie rzeczywistym.
Ho i jej koledzy stworzyli głęboką sieć neuronową, aby przyspieszyć ten proces. Ta sieć neuronowa, nazwana modelem przemieszczenia o głębokim zagęszczeniu (D ^ 3M), została zaprojektowana do rozpoznawania wspólnych cech danych i „uczenia się” z czasem, jak manipulować tymi danymi. W przypadku D ^ 3M naukowcy wprowadzili 8 000 symulacji z tradycyjnego modelu komputerowego wszechświata o wysokiej dokładności. Po tym, jak D ^ 3M dowiedział się, jak działają te symulacje, naukowcy przeprowadzili nową, nigdy wcześniej nie widzianą symulację wirtualnego wszechświata w kształcie sześcianu o średnicy 600 milionów lat świetlnych. (Rzeczywisty obserwowalny wszechświat ma średnicę około 93 miliardów lat świetlnych).
Sieć neuronowa była w stanie przeprowadzać symulacje w tym nowym wszechświecie, tak jak w zestawie danych z 8000 symulacji, którego użyła do szkolenia. Symulacje koncentrowały się na roli grawitacji w formowaniu się wszechświata. Co zaskakujące, Ho powiedział, że kiedy badacze zmieniali zupełnie nowe parametry, takie jak ilość ciemnej materii w wirtualnym wszechświecie, D ^ 3M nadal był w stanie poradzić sobie z symulacjami - mimo że nigdy nie był szkolony, jak radzić sobie z ciemną materią wariacje.
Komputery i kosmologia
Ho powiedział, że ta funkcja D ^ 3M jest tajemnicą i intryguje symulację zarówno w nauce obliczeniowej, jak i kosmologii.
„Możemy być ciekawym placem zabaw dla uczących się maszyn, aby zobaczyć, dlaczego ten model tak dobrze ekstrapoluje, dlaczego ekstrapoluje na słonie zamiast po prostu rozpoznać koty i psy” - powiedziała. „To dwukierunkowa ulica między nauką a głębokim uczeniem się”.
Model może być również oszczędnością czasu dla badaczy zainteresowanych uniwersalnym pochodzeniem. Nowa sieć neuronowa może ukończyć symulacje w 30 milisekund, w porównaniu do kilku minut w przypadku najszybszej metody symulacji bez sztucznej inteligencji. Poziom błędu wyniósł również 2,8% w porównaniu z 9,3% dla istniejącego najszybszego modelu. (Te poziomy błędów są porównywane ze złotym standardem dokładności, modelem, który zajmuje setki godzin dla każdej symulacji.)
Naukowcy planują teraz zmieniać inne parametry w nowej sieci neuronowej, badając, w jaki sposób czynniki takie jak hydrodynamika lub ruch płynów i gazów mogły ukształtować formowanie się wszechświata.
