PreporučenoTech

Prva AI simulacija svemira iskočila iz zadanih okvira

Astrofizičari koji su prvi put posegnuli za umjetnom inteligencijom kako bi generirali složenu 3D simulaciju svemira javljaju da su rezultati dobiveni kroz duboku neuronsku mrežu brzi, precizni i tajnovito izvan zadanih okvira.

D3M modelira i simulira utjecaj gravitacije na formiranje i širenje svemira što podrazumijeva milijarde kalkulacija o bilijunima čestica kroz milijarde godine. Konkurentski sustavi visoke preciznosti ovih dana trebaju do 300 sati za izračune, dok brže metode računicu mogu završiti u nekoliko minuta nauštrb točnosti.

“Mi ove simulacije možemo pokrenuti unutar nekoliko sekundi, dok druge ‘brze’ simulacije trebaju nekoliko minuta,” rekla je za Phys.Org koautorica istraživanja Shirley Ho čiji je tim s instituta Flatiron zapanjen i zadivljen preciznošću svog Deep Density Displacement Modela (D3M).

Znanstvenici kažu da ih posebno impresionira sposobnost umjetne neuronske mreže da simulira modele svemira usprkos izostanku pojedinih podataka. Primjerice, D3M je točno simulirao količinu tamne tvari iako su takve varijable izostale tijekom “treninga”.

>>>Svemir je milijardu godina mlađi i širi se brže no što smo mislili: nobelovac Riess

“To je kao da softver za prepoznavanje objekata na fotografijama učite pomoću puno slika pasa i mačaka, ali je on onda sposoban prepoznati slonove,” pojašnjava Ho. “Nitko ne zna kako to čini i to je velik misterij koji treba riješiti.”

Ho i njezine kolege su svoju neuronsku mrežu “nahranili” znanjem iz 8,000 različitih visokopreciznih simulacija. D3M je potom modelirao svemir u obliku kocke koji se rasteže preko 600 milijuna svjetlosnih godina za što mu je trebalo tek 30 milisekundi uz relativnu mogućnost pogreške od 2.8 posto.

Iako upečatljivi, rezultati su zasjenjeni sposobnošću umjetne neuronske mreže da u izračune uvrsti varijable o kojima ne bi trebala imati “spoznaje” i znanstvenici sada žude da otkriju što se točno događa “ispod haube”.

“Mi možemo biti zanimljivo igralište za strojne učitelje koji bi mogli pogledati zašto ovaj model ekstrapolira tako dobro, zašto ekstrapolira slonove umjesto da jednostavno prepoznaje pse i mačke,” rekla je Ho. “To je dvosmjerna ulica između znanosti i dubokog učenja.”

Siyu He, Yin Li, Yu Feng, Shirley Ho, Siamak Ravanbakhsh, Wei Chen i Barnabás Póczos: Learning to predict the cosmological structure formation; PNAS, prva objava 24. lipanj 2019. DOI: 10.1073/pnas.1821458116