所有文章 > 正文

用深度神经网络学习预测宇宙结构形成

作者: Jansfer

时间: 2019-07-01 16:11

近日,来自Flation研究所的天体物理中心的科学家们第一次使用人工智能技术生成了复杂的宇宙三维模型。这种新模型称为D3M模型,与现有的二阶扰动理论2LPT方法相比,新模型在速度和准确性上都有显著的提升。

来自纽约Flatiron研究所计算天体物理中心小组的负责人表示,这些模拟最快可在几毫秒之内即可完成,最慢也仅仅需要几分钟的时间。更令科学家惊讶的是,如果某些参数被调整,D3M仍可以准确地模拟宇宙的外观——例如宇宙中有多少是暗物质——而实际上,模型从未接收到任何关于那些参数变化的训练数据。这意味着即使是进行模拟的科学家们都不清楚人工智能是如何做到模拟宇宙演变的。相关成果被发表在美国国家科学院院刊(Proceedings of the National Academy of Sciences)上。

对这种情况做一个生动的形容:这就像是进行图像识别学习一样,计算机学习了很多猫狗的照片,但它最后竟然识别出了大象!目前,D3M模型已经获得了越来越多研究人员的关注,像D3M那样的计算机模拟已成为理论天体物理学的必要条件。科学家们想知道宇宙在各种情况下是如何演化的,例如拉动宇宙的黑暗能量随着时间的变化。这些研究需要进行数千次模拟,使得闪电般快速且高度精确的计算机模型成为现代天体物理学的主要研究方向之一。科学家们使用D3M模拟重力是如何塑造宇宙的。研究人员选择仅关注重力,因为它是迄今为止宇宙大规模演化中最重要的力量。

最精确的宇宙模拟计算重力需要在整个宇宙移动数十亿个单个粒子。这种精确度需要时间,一次模拟需要大约300个小时。更快的方法可以在大约两分钟内完成相同的模拟,但是使用快速的方法就意味着精度降低。为了解决这一问题,研究人员从可用的最高精度模型中提供了8,000种不同的模拟,为D3M提供了深度神经网络。神经网络获取训练数据并对信息进行计算,然后研究人员将结果与预期结果进行比较。通过进一步培训,神经网络随着时间的推移适应,以产生更快,更准确的结果。

在训练完成后,研究人员对6亿光年以上的箱形宇宙进行了模拟,并将结果与慢速和快速模型的结果进行了比较。如果使用准确但缓慢的方法,每次模拟需要花费数百小时的计算时间,现有的二阶扰动理论2LPT方法需要几分钟,但D3M模型可以在30毫秒内完成模拟。而D3M也产生了准确的结果。与高精度模型相比,D3M的相对误差为2.8%。而现有的快速模型的相对误差为9.3%,可以说,D3M模型在速度和准确性上都远胜现有的二阶扰动理论2LPT方法。

研究人员表示,D3M的处理训练数据中未发现的参数变化的能力非常出色,这使得它成为了一种特别有用和灵活的工具。除了宇宙建模之外,该模型在流体动力学领域也将大放光彩。此外,对于机器学习者来说,“从猫狗推断出大象”本身就是一件非常有趣的事情,对这方面的研究有助于拓宽机器学习与人工智能的双向道路。

图|两种宇宙模型的准确性比较。被称为D3M的新模型(左)比现有方法(右)二阶扰动理论2LPT更快,更准确。颜色代表网格中每个点相对于高精度(虽然慢得多)模型的数百万光年的平均位移误差

(图片来源:S. He et al. / Proceedings of the National Academy of Sciences)

论文链接:https://www.pnas.org/content/early/2019/06/21/1821458116

参考:https://phys.org/news/2019-06-ai-universe-sim-fast-accurateand.html

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多