机器学习加速宇宙模拟

宇宙在数十亿年内发展了数十亿，但研究人员已经开发了一种在不到一天内创建复杂的模拟宇宙的方法。本周发表的技术与国家科学院讨论，汇集了机器学习，高性能计算和天体物理学，并有助于迎来新的高分辨率宇宙学模拟时代。宇宙模拟是挑选出众多奥秘的重要组成部分，包括暗物质和黑暗能量。但到目前为止，研究人员面临着常见的难题，所有的难题都可以专注于高分辨率的小面积，或者它们可以在低分辨率下涵盖大量的宇宙。

Carnegie Mellon大学物理学教授Tiziana Di Matteo和Rupert Croft，Flatiron Institute Research Felly Yin Li，Carnegie Mellon Ph.D.候选人岳英妮，加州大学滨江物理学和天文学教授Simeon Bird和加州大学伯克利＆＃39; S Yu Feng通过教导了基于神经网络的算法来升级从低分辨率升级到超分辨率的算法。

＆＃34;宇宙学模拟需要覆盖大量的宇宙学研究，同时还需要高分辨率来解决小规模的星系形成物理，这会产生艰巨的计算挑战。我们的技术可以用作强大而有前途的工具，通过在大宇宙学卷中建模小型银河形成物理，＆＃34来同时匹配这两个要求;执行培训模型的NI表示，建立了测试和验证的管道，分析了数据并从数据中进行了可视化。

训练有素的代码可以采用满量程，低分辨率模型，并生成超分辨率模拟，可包含多达512倍的粒子。对于宇宙中的一个地区，大约含有134万粒子的少数五百万光年，现有方法需要560小时来使用单个处理核心搅拌高分辨率仿真。随着新方法，研究人员只需要36分钟。

当向模拟中加入更多的颗粒时，结果甚至更显着。对于宇宙1000倍，与1340亿颗粒，研究人员＆＃39;新方法在单个图形处理单元上花了16个小时。使用当前方法，模拟此大小和分辨率将采取专用的超级计算机月份完成。

减少运行宇宙学模拟的时间＆＃34;拥有在数值宇宙和天体物理学中提供主要进步的潜力，＆＃34;迪亚特岛说。 ＆＃34;宇宙学模拟遵循宇宙的历史和命运，一直到形成所有星系和他们的黑洞。＆＃34;

科学家使用宇宙学模拟来预测宇宙如何看待各种场景，例如如果暗量拉动宇宙，则随着时间的推移而变化。望远镜观察，然后确认模拟＆＃39;预测匹配现实。

＆＃34;通过我们之前的模拟，我们表明我们可以模拟宇宙发现新的和有趣的物理，但只能在小或低分辨率秤上，＆＃34;克罗夫特说。 ＆＃34;通过纳入机器学习，该技术能够赶上我们的想法。＆＃34;

Di Matteo，Croft and Ni是Carnegie Mellon＆＃39;国家科学基金会（NSF）的物理学中的人工智能计划研究所的一部分，支持这项工作，以及Carnegie Mellon的成员＆＃39; ScWilliams宇宙学中心。

＆＃34;宇宙是最大的数据集 - 是理解宇宙和揭示新物理学的关键，＆＃34; Scott Dodelson表示，Carnegie Mellon University和NSF规划研究所的主任物理系教授和负责人。 ＆＃34;这项研究说明了NSF人工智能计划学院如何通过人工智能，机器学习，统计和数据科学推进物理学。＆＃34;

＆＃34;＆＃39很清楚，AI对许多科学领域具有很大影响，包括和天文学，＆＃34; NSF＆＃39;物理划分的节目总监James Shank表示。 ＆＃34;我们的AI计划学院计划正在努力推动AI加速发现。这个新的结果是AI如何改变宇宙学的一个很好的例子。＆＃34;

要创建新方法，NI和Li利用这些字段创建了一种代码，该代码使用神经网络预测重力在随着时间的推移随着时间的推移暗物质。网络采用培训数据，运行计算并将结果与​​预期结果进行比较。通过进一步的培训，网络适应并变得更加准确。

研究人员使用的具体方法称为生成的对抗性，彼此抵抗两个神经网络。一个网络采用宇宙的低分辨率模拟，并使用它们来产生高分辨率模型。其他网络试图通过传统方法制作的仿真分开。随着时间的推移，这两个神经网络均越来越好，直到最终仿真发生器赢得并创造了看起来就像慢速传统的快速模拟。

＆＃34;我们不能让它工作两年，＆＃34;李说，＆＃34;突然间开始工作。我们得到了美好的结果，符合我们的预期。我们甚至盲目的测试自己，我们大多数人都不能告诉哪一个是哪一个是＆＃39;真实的＆＃39;哪一个是＆＃39;假。＆＃39;＆＃34;

尽管只有使用小区域训练，但神经网络准确地复制了只出现在巨大模拟中的大规模结构。 虽然，模拟没有捕捉一切。 因为它们专注于暗物质和重力，所以较小的现象 - 例如星形成，超新星和黑洞的影响 - 被遗漏了。 研究人员计划扩展他们的方法，以包括负责此类现象的力量，并运行他们的＆＃39;在飞行中; 除了传统的模拟，提高准确性。 更多信息：Yin Li等，AI辅助超级化宇宙学模拟，国家科学院的诉讼程序（2021年）。 DOI：10.1073 / PNAS.2022038118