Por primera vez, los astrofísicos han utilizado técnicas de inteligencia artificial para generar simulaciones 3D complejas del universo. Los resultados son tan rápidos, precisos y robustos que incluso los creadores no están seguros de cómo funciona todo.
"Podemos ejecutar estas simulaciones en unos pocos milisegundos, mientras que otras simulaciones 'rápidas' toman un par de minutos", dice la coautora del estudio Shirley Ho, líder del grupo en el Centro de Astrofísica Computacional del Instituto Flatiron en la ciudad de Nueva York yprofesor adjunto en la Universidad Carnegie Mellon. "No solo eso, sino que somos mucho más precisos".
La velocidad y precisión del proyecto, llamado Modelo de desplazamiento de densidad profunda, o D 3 M para abreviar, no fue la mayor sorpresa para los investigadores. El verdadero shock fue que D 3 M podría simular con precisión cómo se vería el universo si se ajustaran ciertos parámetros, como la cantidad de cosmos que es materia oscura, a pesar de que el modelo nunca había recibido ningún dato de entrenamiento donde esos parámetros variaran.
"Es como enseñar un software de reconocimiento de imágenes con muchas imágenes de gatos y perros, pero luego es capaz de reconocer a los elefantes", explica Ho. "Nadie sabe cómo hace esto, y es un gran misterio por resolver".
Ho y sus colegas presentan D 3 M 24 de junio en el Actas de la Academia Nacional de Ciencias . El estudio fue dirigido por Siyu He, un analista de investigación del Instituto Flatiron.
Ho y trabajó en colaboración con Yin Li del Centro Berkeley de Física Cosmológica de la Universidad de California, Berkeley, y el Instituto Kavli de Física y Matemáticas del Universo cerca de Tokio; Yu Feng del Centro Berkeley de Física Cosmológica; Wei Chen del Instituto Flatiron; Siamak Ravanbakhsh de la Universidad de Columbia Británica en Vancouver; y Barnabás Póczos de la Universidad Carnegie Mellon.
Simulaciones por computadora como las realizadas por D 3 M se ha vuelto esencial para la astrofísica teórica. Los científicos quieren saber cómo podría evolucionar el cosmos bajo varios escenarios, como si la energía oscura que separa el universo variara con el tiempo. Tales estudios requieren la ejecución de miles de simulaciones, haciendo un rayo rápidoy un modelo informático de alta precisión, uno de los principales objetivos de la astrofísica moderna.
D 3 M modela cómo la gravedad da forma al universo. Los investigadores optaron por centrarse solo en la gravedad porque es, con mucho, la fuerza más importante cuando se trata de la evolución a gran escala del cosmos.
Las simulaciones de universo más precisas calculan cómo la gravedad desplaza cada uno de miles de millones de partículas individuales a lo largo de toda la edad del universo. Ese nivel de precisión lleva tiempo, requiriendo alrededor de 300 horas de cálculo para una simulación. Los métodos más rápidos pueden terminar las mismas simulaciones en aproximadamentedos minutos, pero los accesos directos necesarios dan como resultado una precisión menor.
Ho, He y sus colegas perfeccionaron la profunda red neuronal que alimenta a D 3 M al alimentarlo con 8,000 simulaciones diferentes de uno de los modelos de mayor precisión disponibles. Las redes neuronales toman datos de entrenamiento y realizan cálculos sobre la información; los investigadores luego comparan el resultado resultante con el resultado esperado. Con entrenamiento adicional, las redes neuronales se adaptantiempo para obtener resultados más rápidos y precisos.
Después del entrenamiento D 3 M, los investigadores realizaron simulaciones de un universo en forma de caja de 600 millones de años luz y compararon los resultados con los de los modelos lentos y rápidos. Mientras que el enfoque lento pero preciso tomó cientos de horas de tiempo de cálculo por simulacióny el método rápido existente tomó un par de minutos, D 3 M podría completar una simulación en solo 30 milisegundos.
D 3 M también produjo resultados precisos. En comparación con el modelo de alta precisión, D 3 M tuvo un error relativo de 2.8 por ciento. Usando la misma comparación, el modelo rápido existente tuvo un error relativo de 9.3 por ciento.
D 3 La notable capacidad de M para manejar variaciones de parámetros que no se encuentran en sus datos de entrenamiento lo convierte en una herramienta especialmente útil y flexible, dice Ho. Además de modelar otras fuerzas, como la hidrodinámica, el equipo de Ho espera aprender más sobre cómo funciona el modelo bajoHo Hood dice que hacerlo podría generar beneficios para el avance de la inteligencia artificial y el aprendizaje automático.
"Podemos ser un patio de recreo interesante para que un aprendiz de máquina lo use para ver por qué este modelo se extrapola tan bien, por qué se extrapola a los elefantes en lugar de simplemente reconocer gatos y perros", dice. "Es una calle de doble sentido entre la cienciay aprendizaje profundo "
Fuente de la historia :
Materiales proporcionado por Fundación Simons . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :