本文是“百家好#科学了超级#系列作文大赛”的一部分。
科学家们首次使用人工智能(即AI)创建了一个复杂的宇宙三维模型。我们称其为“深密度位移模型”,简称D3M。模型不知道它是如何工作的。
D3M的主要工作是精确模拟重力在数亿年中如何塑造宇宙。每次仿真仅花费30毫秒,而其他模型的仿真则需要几分钟。
更有趣的是,D3M从团队输入的8000种培训模型中学习-它大力推广和优化了这些模型,还可以调整一些以前从未接受过培训的参数。
熨斗研究所和卡耐基梅隆大学的天体物理学家雪莉说:“ D3M类似于训练带有大量猫和狗图像的图像识别软件,但之后也可以识别大象。”
“没人知道怎么做,这也是一个需要解决的难题。”
通过观察我们周围的宇宙空间,我们可以获得有关宇宙演化的许多信息,但是我们所看到的是有限的,因此模拟非常方便。
通过模拟一些与我们的观察结果不符的结果,科学家可以得出最有可能创造我们所居住的宇宙的场景。
但是,复杂的宇宙使这些模型的计算相当繁琐,这意味着它们的执行非常耗时。为了获得有用的统计数据,一项研究需要数千个模拟。
由计算天体物理学家团队开发的D3M当前有用,用于计算重力如何在138亿年(宇宙年龄)内移动数十亿个粒子。
如果我们不依靠AI驱动的软件来模拟这种类型的粒子运动,则要花300个小时才能计算出精度更高的模型,当然可以在几分钟内完成计算,但精度很高减少。
为了解决这个问题,研究团队决定建立一个用于仿真实验的神经网络,并使用迄今为止精度最高的模型来生成8,000种不同的仿真数据来训练D3M。
一旦D3M培训完成并且可以准确地执行AI,您就可以准备测试D3M。研究人员要求它在一个盒子里模拟宇宙,盒子的每边大约有6亿光年。
为了评估仿真效果,该团队使用(快速)方法在几分钟内获得结果,并使用了奇怪的慢速方法(要花费数百小时才能运行同一模型)。毫不奇怪,慢速方法与快速方法相比具有最准确的结果,相对误差为9.3%。
D3M的问世从水和火中拯救了所有以前的快速算法。一个模型仅需30毫秒即可运行,并且与该缓慢但非常准确的模型相比,相对误差仅为2.8%。
更令人兴奋的是,尽管仅使用一组参数来训练该神经网络,但它可以基于其他未经训练的参数(例如,如果暗物质)来预测此模拟宇宙的结构
数字不一样。
这意味着AI在处理一系列模拟任务时更加灵活。但是,该团队仍然希望在计算模型之前找出AI可以精确计算的程度。
霍说:“对于这里的机器学习者来说,我们就像一个游乐场。他们可以知道为什么D3M的泛化能力如此之好,以及为什么在学习后D3M的检测范围可以外推到大象而不是猫和狗。”
“这是科学与深度学习之间的一条单向路。”
这项研究发表在《美国国家科学院院刊》(PNAS)上
) 收到。
作者:
匿名
风云:
布鲁特·李
如果存在与内容相关的违规行为,请在30天内与作者联系以将其删除
请获得转载许可,并注意来源的完整性和说明