Pela primeira vez, astrofísicos usaram inteligência artificial para gerar simulações 3D complexas do universo. Os resultados são tão rápidos, precisos e robustos que até mesmo os criadores não sabem ao certo como tudo funciona.
“Nós podemos executar Estas simulações em poucos milésimos de segundo, enquanto outras simulações ‘rápidas’ levam um par de minutos”, diz o co-autor do estudo Shirley Ho, um líder do grupo no Centro do Instituto Flatiron para Computational Astrophysics em Nova York e um adjunto Professor na Universidade Carnegie Mellon. “Não só isso, mas somos muito mais precisos”.
A velocidade e precisão do projeto, chamado de Densidade profunda Displacement Model, ou D3M para breve, não foi a maior surpresa para os pesquisadores. O verdadeiro choque foi D3M que poderia com precisão simular como o universo ficaria se alterado e se estavam certos parâmetros, tais como quanto do cosmos é a matéria escura, mesmo que o modelo ADH nunca recebeu qualquer dados de treinamento onde esses parâmetros variaram.
“É como ensinar software de reconhecimento de imagens com muitas fotos de gatos e cachorros, mas então é capaz de reconhecer elefantes”, explica Ho. “Ninguém sabe como isso acontece, e é um grande mistério a ser resolvido.”
Ho e seus colegas apresentaram o D3M em 24 de junho na revista Proceedings of National Academy of Sciences. O estudo foi conduzido por Siyu He, analista de pesquisa do Instituto Flatiron.
Ho e eu tenho trabalhado em colaboração com Yin Li, do Centro Berkeley para cosmológico Física da Universidade da Califórnia, Berkeley, e do Instituto Kavli para a Física e Matemática do Universo, perto de Tóquio; Yu Feng, do Centro Berkeley de Física Cosmológica; Wei Chen, do Instituto Flatiron; Siamak Ravanbakhsh, da Universidade da Colúmbia Britânica, em Vancouver; e Barnabás Póczos da Universidade Carnegie Mellon.
Simulações de computador como as feitas pela D3M se tornaram essenciais para a astrofísica teórica. Os cientistas querem saber como o cosmos evoluir sob vários cenários podem, como se a energia escura puxando o universo além variada ao longo do tempo. Tais estudos requerem a execução de milhares de simulações, fazendo um modelo de computador ultra-rápida e de alta precisão um dos melhores das modernas Objetivos astrofísica.
A D3M modela como a gravidade molda o universo. Os pesquisadores optaram por se concentrar apenas na gravidade, porque é a força mais importante quando se trata da evolução em grande escala do cosmos.
As simulações mais precisas do universo calculam como a gravidade desloca cada um dos bilhões de partículas individuais ao longo de toda a idade do universo. Esse nível de precisão leva tempo, exigindo cerca de 300 horas de computação para uma simulação. Métodos mais rápidos podem terminar as mesmas simulações em cerca de dois minutos, mas os atalhos necessários resultam em menor precisão.
Ho, He e seus colegas aprimoraram a rede neural profunda que impulsiona a D3M, alimentando-a com 8.000 simulações diferentes de um dos modelos de maior precisão disponíveis. Redes neurais tomam dados de treinamento e executam cálculos na informação; Em seguida, comparamos o resultado com o resultado esperado. Com o treinamento adicional, as redes neurais se adaptam ao longo do tempo para produzir resultados mais rápidos e precisos.
Depois de treinar o D3M, os pesquisadores realizaram simulações de um universo em forma de caixa com 600 milhões de anos-luz de comprimento e compararam os resultados aos dos modelos lentos e rápidos. Considerando que a abordagem lenta mas precisas levou centenas de horas de tempo de computação por simulação e atualizar o método rápido existente Tomou um par de minutos, D3M foi possível concluir uma simulação em apenas 30 milissegundos.
A D3M também produziu resultados precisos. Quando comparado com o modelo de alta precisão, o D3M apresentou um erro relativo de 2,8%. Usando a mesma comparação, o modelo fast existente apresentou um erro relativo de 9,3%.
A notável capacidade da D3M de lidar com as variações de parâmetros encontradas em seus dados de treinamento torna-a uma ferramenta especialmente útil e flexível, diz Ho. Além de modelar outras forças, como a hidrodinâmica, a equipe de Ho espera aprender mais sobre como o modelo funciona sob o capô. Isso poderia gerar benefícios para o avanço da inteligência artificial e aprendizado de máquina, diz Ho.
“Nós podemos ser um playground interessante para uma máquina aprendiz usar para ver. Por que este modelo extrapola tão bem, por isso extrapola a elefantes em vez de apenas Reconhecendo cães e gatos”, diz ela. “É uma via de mão dupla entre ciência e aprendizado profundo.”
Publicado em 26/06/2019
Artigo original:
Gostou? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: