|
一項新研究報告表明，科學家已經成功地利用AI人工智能創建了一個宇宙模型?？茖W家試圖通過做出與觀測相匹配的模型預測來了解宇宙。從歷史上看，已經能夠用鉛筆和紙對簡單或高度簡化的物理系統進行建模，被戲稱為“球形奶?！?。后來，計算機時代的到來使科學家們能夠用數值模擬來模擬更復雜的現象。例如，科學家已經對超級計算機進行了編程，以模擬數十億粒子在數十億年宇宙時間中的運動。  這一過程被稱為N體模擬，目的是研究宇宙是如何演化成我們今天觀察到的一切。東京大學卡夫里宇宙物理和數學研究所的博士后研究員尹麗說：現在通過機器學習，我們已經開發出了第一個宇宙神經網絡模型，并證明了有第三種預測途徑，一種結合了分析計算和數值模擬的優點，并與加州大學伯克利分校聯合開展了博士后研究。（下圖）兩種宇宙模型精度的比較：新的深度學習模型(左)，稱為D3M，比現有的分析方法(右)更準確，稱為2LPT。  顏色表示相對于數值模擬每個點的位移誤差，這是準確的，但比深度學習模型慢得多。在宇宙誕生之初，一切都是極其統一的。隨著時間推移，由于引力，密度較高的部分變得越來越密集，而較稀疏的部分則變得越來越稀疏，最終形成了一種被稱為“宇宙網”的泡沫狀結構。為了研究這種結構形成過程，科學家嘗試了許多方法，包括解析計算和數值模擬。分析方法是快速的，但是對于大密度起伏不能產生準確的結果。  另一方面，數值(N-body)方法精確地模擬結構的形成，但是即使在超級計算機上跟蹤無數的粒子也是昂貴的。因此，為了對宇宙進行建模，科學家們經常面臨精確度和效率之間的權衡。然而，觀測數據在質量和數量上的爆炸性增長，要求方法在精確度和效率上都出類拔萃。為了應對這一挑戰，包括尹麗在內的一組來自美國、加拿大和日本的科學家將目光投向了機器學習，這是一種檢測模式和做出預測的尖端方法。  正如機器學習可以將年輕人的肖像轉變為年老時一樣，它是否也可以根據早期的快照來預測宇宙是如何演化。用數萬億立方光年體積的模擬數據訓練卷積神經網絡，并建立了能夠模擬結構形成過程的深度學習模型。新模型不僅比解析方法精確度高很多倍，而且比用于訓練的數值模擬效率高得多。它具有以前（分析計算和數值模擬）方法的優點。  人工智能模擬的能力將在未來擴大，N-Body模擬已經進行了大量優化，作為第一次嘗試，研究團隊的AI模型仍然有很大的改進空間。此外，更復雜的現象會需要更大的模擬成本，但模擬不太可能如此。研究人員估計，當繼續將其他效果(如流體動力學)納入到模擬中時，AI模擬器將獲得更大的性能收益。用不了多久，就可以沿著這條道路揭示宇宙的初始條件和編碼的物理。 博科園｜研究/來自：卡夫利宇宙物理和數學研究所 參考期刊《美國國家科學院院刊》 DOI: 10.1073/pnas.1821458116 博科園｜科學、科技、科研、科普 |
|
|
