朗讀機器學習加速宇宙學模擬第機器學習加速宇宙學模擬

《機器學習加速宇宙學模擬》
ScienceAI編輯/大路
在計算機裏模擬一個演變了幾十億年的宇宙是非常困難的，有無數的變量需要考慮。以前，科學家們通常使用「超級計算機」通過壓縮宇宙學層面的數據來進行粗略的模擬。但運行一台超級計算機是非常昂貴的，僅僅是租用一台，每小時的費用就高達數千美元。因此，對於處理那些「需要試錯的問題」，超級計算機並不是一個好的解決方案。近期，卡耐基梅隆大學的一個研究小組想出了一種新方法，使用「教人工智能繪畫或創作音樂的機器學習技術」，在圖形處理單元（GPU）上運行高級模擬，可以在不到一天的時間內創建一個複雜的模擬宇宙！這項技術發表在本周的《美國國家科學院院刊》上，它將機器學習、高性能計算和天體物理學結合在一起，將有助於開創一個「高分辨率宇宙學模擬」的新時代。
宇宙學模擬是揭開宇宙眾多謎團的一個重要部分，包括暗物質和暗能量的謎團。至今為止，科學家們還沒有一套可以適用於整個宇宙的規則——如何將經典物理學定律與他們在量子領域觀察到的情況相協調。這意味著研究人員必須邊做實驗邊進行定義。而在具體實驗中，科學家們必須用不同的數值去試錯，例如，預測宇宙中存在多少暗物質。這種情況下，實驗就是一個反複試錯的過程：他們運行模擬實驗，與我們通過太空望遠鏡和其他數據收集源在當地觀察到的情況進行核對，然後不斷重複。模擬是研究宇宙學的重要途徑，但在模擬中，提高分辨率又是個難題。
圖示：低分辨率，高分辨率和超分辨率 （phys.org/news/）卡內基梅隆大學物理學教授Tiziana Di Matteo和Rupert Croft、Flatiron研究所研究員Yin Li、卡內基梅隆大學博士生Yueying Ni、加州大學河濱分校物理學和天文學教授Simeon Bird和加州大學伯克利分校的Yu Feng通過教授一種基於神經網絡的機器學習算法，將模擬從低分辨率升級到超分辨率，克服了這個難關。「宇宙學模擬需要覆蓋大體積的宇宙學研究，同時也需要高分辨率來解決小尺度星系形成的物理問題，這是艱巨的計算任務。我們的技術可以作為一個強大而有前途的工具，通過對大宇宙學體積中的小尺度星系進行物理建模，來同時滿足這兩個要求。」Ni說，他在此次研究中負責了模型的訓練，測試驗證任務，和數據可視化。訓練後的代碼可以采用全尺寸的低分辨率模型，並生成包含多達512倍顆粒的超分辨率模擬。對於宇宙中一個大約5億光年的區域，包含1.34億個粒子，以前的方法需要560個小時來使用一個處理核心做出一個高分辨率的模擬。而使用新方法，研究人員只需要36分鐘。當更多的粒子被添加到模擬中時，效果更是出奇的好。對於一個有1340億個粒子的1000倍大的宇宙，研究人員的新方法在單個圖形處理單元上僅需要16個小時。而使用以前的方法，這種規模和分辨率的模擬必須用一台專門的超級計算機來完成。當然，這並不意味著人工智能「知道」我們無法觸及的宇宙是什麼樣子。其實它只是可以將低分辨率的模擬圖像更新為高分辨率，從而使科學家使用少得多的時間、能量和電力來生成這些大型高分辨率圖像。
圖示：模擬的生成（https://www.cmu.edu/mcs/news-events/2021/0504_supersims.html）從本質上講，這就像給人工智能一個電影的粗略草圖，讓它吐出它認為完成的作品會是什麼樣子，而不需要實際拍攝這部電影。Di Matteo說道，「減少運行宇宙學模擬的時間，有可能為宇宙學和天體物理學提供重大貢獻。宇宙學模擬會跟蹤宇宙的歷史和命運，一直到所有星系及其黑洞的形成。」「以前，我們可以模擬宇宙來發現新的物理學，但這只是在低分辨率的規模，」卡內基梅隆大學物理系教授兼系主任、國家科學基金會規劃研究所所長Scott Dodelson說：「宇宙是最大的數據集，而人工智能將是理解宇宙和揭示新物理學的關鍵。」「很明顯，人工智能正在對許多科學領域產生巨大的影響，包括物理學和天文學，」NSF物理學部的項目主任James Shank說，「我們的人工智能規劃研究所項目正在努力推動人工智能加速發展，這次的新成果很好地展現了人工智能如何改變宇宙學。」為了創建他們的新方法，Ni和Li使用神經網絡來預測引力如何在一段時間內移動暗物質。這些網絡接受數據訓練，然後進行計算，並將結果與預期結果進行比較。隨著進一步的訓練，網絡適應並變得更加准確。
圖示：生成對抗網絡示意圖 （https://zhuanlan.zhihu.com/p/54096381）研究人員使用的具體方法，被稱為「生成對抗網絡」，讓兩個神經網絡相互對抗。一個網絡對宇宙進行低分辨率的模擬，並使用它們來生成高分辨率的模型；而另一個網絡試圖將這些模擬與傳統方法制作的模擬區分開來。隨著時間的推移，兩個神經網絡都變得越來越好，直到最終，模擬生成器勝出，並生成出快速模擬的結果。盡管只是使用小面積的空間進行訓練，但神經網絡准確地複制了「只有在巨大的模擬中出現的大規模結構」。不過，這些模擬並沒有捕捉到一切。因為他們專注於暗物質和引力，而較小規模的現象（如恒星形成、超新星和黑洞的影響）則被排除在外。研究人員現在正計劃繼續升級他們的方法，以包括負責此類現象的模擬。論文連接：https://www.pnas.org/content/118/19/e2022038118參考內容：https://thenextweb.com/news/carnegie-mellon-researchers-trained-ai-to-simulate-our-universe-on-a-gpuhttps://phys.org/news/2021-05-machine-cosmological-simulations.html
《機器學習加速宇宙學模擬》完，請繼續朗讀精采文章。
喜歡 小編的世界 e4to.com，請記得按讚、收藏及分享！