CMU和UC Berkeley等機(jī)構(gòu)的研究人員推出了全球首個(gè)AI宇宙三維模擬器，可在幾毫秒內(nèi)完成模擬，而且更加準(zhǔn)確。更讓人震驚的是在調(diào)整參數(shù)后，無(wú)需調(diào)參訓(xùn)練仍能準(zhǔn)確模擬宇宙！“就像使用貓狗圖片訓(xùn)練識(shí)別軟件，最終能識(shí)別大象”一樣讓人震驚。

最近，一組來(lái)自CMU和UC Berkeley等研究機(jī)構(gòu)的研究人員率先推出了全球首個(gè)AI宇宙三維模擬器。這個(gè)模擬器不僅速度快而且精度高，調(diào)參后無(wú)需訓(xùn)練仍能準(zhǔn)確模擬，甚至連它的創(chuàng)造者都不知道它是如何做到的。

宇宙中暗物質(zhì)的數(shù)量都能計(jì)算

幾十年來(lái)，科學(xué)家們一直使用計(jì)算機(jī)模擬來(lái)嘗試并用數(shù)字技術(shù)對(duì)我們宇宙的起源和演化進(jìn)行逆向工程。使用現(xiàn)代技術(shù)的最佳的傳統(tǒng)方法需要幾分鐘時(shí)間來(lái)產(chǎn)生良好的結(jié)果。現(xiàn)在，這個(gè)全球首個(gè)AI宇宙模擬器在幾毫秒內(nèi)，就能產(chǎn)生更高精度的結(jié)果。

論文中提到：“在這里，我們建立了一個(gè)深層的神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)宇宙的結(jié)構(gòu)形成。它優(yōu)于傳統(tǒng)的快速分析近似法，并且可以在訓(xùn)練數(shù)據(jù)之外精確地進(jìn)行外推。”

也就是說(shuō)，它不僅做了開發(fā)人員建造它做的事情——模擬不同引力條件下宇宙的演化——它還為它沒有訓(xùn)練過的變量產(chǎn)生了精確的結(jié)果。例如，它報(bào)告的一個(gè)讓科學(xué)家們驚訝的特殊參數(shù)是，宇宙中暗物質(zhì)的數(shù)量。

研究小組沒有根據(jù)暗物質(zhì)含量不同的數(shù)據(jù)來(lái)訓(xùn)練這個(gè)名為“深密度位移模型”（D3M）的系統(tǒng)，然而AI（根據(jù)研究，精確地）根據(jù)它所訓(xùn)練的數(shù)據(jù)的推論改變了這些值。

正如論文的合著者Shirley Ho所言：“這就像用大量的貓狗圖片教圖像識(shí)別軟件一樣，但隨后軟件能夠識(shí)別大象。沒有人知道它是如何做到的，這是一個(gè)很費(fèi)解的謎。”

8000種不同模擬訓(xùn)練模型

像D3M那樣的計(jì)算機(jī)模擬已成為理論天體物理學(xué)的必要條件。科學(xué)家們想知道宇宙在不同的情況下是如何演化的，例如，比如暗能量將宇宙拉離的時(shí)間是不同的。這些研究需要進(jìn)行數(shù)千次模擬，做一個(gè)閃電般快速且高度精確的計(jì)算機(jī)模型成為現(xiàn)代天體物理學(xué)的主要目標(biāo)之一。

D3M模擬引力如何塑造宇宙。研究人員選擇僅關(guān)注引力，因?yàn)樗瞧駷橹褂钪娲笠?guī)模演化中最重要的力量。

最精確的宇宙模擬計(jì)算了引力如何在宇宙的整個(gè)生命中移動(dòng)數(shù)十億個(gè)單個(gè)粒子。這種精度需要時(shí)間，一次模擬需要大約300個(gè)計(jì)算小時(shí)。更快的方法可以在兩分鐘內(nèi)完成相同的模擬，但代價(jià)就是精度會(huì)降低。

研究人員通過從可用的最高精度模型中提供了8,000種不同的模擬，來(lái)訓(xùn)練D3M使用的深度神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)獲取訓(xùn)練數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行計(jì)算;然后研究人員將結(jié)果與預(yù)期結(jié)果進(jìn)行比較。通過進(jìn)一步訓(xùn)練，神經(jīng)網(wǎng)絡(luò)會(huì)隨著時(shí)間的推移而適應(yīng)，從而產(chǎn)生更快、更準(zhǔn)確的結(jié)果。

在訓(xùn)練D3M之后，研究人員對(duì)6億光年的箱形宇宙進(jìn)行了模擬，并將結(jié)果與慢速和快速模型的結(jié)果進(jìn)行了比較。慢速但準(zhǔn)確的方法每次模擬需要數(shù)百小時(shí)的計(jì)算時(shí)間，而現(xiàn)有的快速方法需要幾分鐘，但D3M可以在30毫秒內(nèi)完成模擬。

D3M也能產(chǎn)生準(zhǔn)確的結(jié)果。與高精度模型相比，D3M的相對(duì)誤差為2.8%。使用相同的比較，現(xiàn)有的快速模型的相對(duì)誤差為9.3%。

研究人員表示，D3M在處理訓(xùn)練數(shù)據(jù)中未發(fā)現(xiàn)的參數(shù)變化方面具有非凡的能力，這使得它成為一個(gè)特別有用和靈活的工具。除了模擬其他力，如流體動(dòng)力學(xué)，研究團(tuán)隊(duì)希望了解更多關(guān)于模型是如何運(yùn)作的。

圖1：由D3M產(chǎn)生的位移矢量場(chǎng)（左）和由此產(chǎn)生的密度場(chǎng)（右）。

圖2：各列通過各種模型顯示了完整粒子分布（上）和位移矢量（下）的2D切片：FastPM，目標(biāo)ground truth，基于PM解算器（A）的近似N體模擬方案；ZA，沿初始速度矢量（B）演化粒子的簡(jiǎn)單線性模型；2LPT，常用的分析近似（C）和本文的深度學(xué)習(xí)模型D3M（D）。雖然FastPM（A）是研究團(tuán)隊(duì)的ground truth，B-D包括點(diǎn)或向量的顏色。顏色表示目標(biāo)位置（A）或位移矢量與各種方法（B-D）預(yù)測(cè)分布之間的相對(duì)差異（qmodel?qtarget）/qtarget。誤差條表明，密度較大的區(qū)域所有方法都有較大的誤差，這表明對(duì)于所有模型（D3M，2LPT和ZA），很難正確預(yù)測(cè)高度非線性區(qū)域。他們的D3M模型在上述B-D模型中預(yù)測(cè)和ground truth之間的差異最小。

圖3：FastPM（橙色），2LPT（藍(lán)色）和c（綠色）（頂部）的位移和密度功率譜; 傳遞函數(shù) - 即預(yù)測(cè)的功率譜與ground truth（中部）之比的平方根; 以及1–r 2，其中r是預(yù)測(cè)場(chǎng)與真場(chǎng)（底部）之間的相關(guān)系數(shù)。結(jié)果是1,000個(gè)測(cè)試模擬的平均值。從大到中，D3M預(yù)測(cè)的傳遞函數(shù)和相關(guān)系數(shù)接近完美，明顯優(yōu)于基準(zhǔn)2LPT。（B）對(duì)于幾個(gè)三角形配置，兩個(gè)3PCF的多極系數(shù)（ζ1（r1，r2））（與目標(biāo)）的比率。結(jié)果在10次測(cè)試模擬中取平均值。誤差條（填充區(qū)域）是從10次測(cè)試模擬得出的SD。該比率表明D3M的3PCF比他們的目標(biāo)FastPM更接近2LPT，方差更小。

圖4：上圖顯示當(dāng)他們改變宇宙參數(shù)As和?m時(shí)，粒子分布和位移場(chǎng)的差異。（A）誤差條顯示As= A0與As= 0.2 A0（中心）和As= 1.8A0（右）之間的兩個(gè)極值之間的粒子分布（上）和位移場(chǎng)（下）之間的差異。（B）類似的比較，顯示?m∈{0.1,0.5}的較小和較大值的粒子分布（上）和位移場(chǎng)（下）的差異，用于訓(xùn)練的?m= 0.3089。雖然較小的As（?m）值的差異較大，但較大的As（?m）的位移更加非線性。這種非線性是由質(zhì)量集中引起的，并使預(yù)測(cè)更加困難。

圖5：與圖3A類似，除了在不改變訓(xùn)練集（具有不同的宇宙參數(shù)）或訓(xùn)練模型的情況下，改變宇宙參數(shù)時(shí)，測(cè)試兩點(diǎn)統(tǒng)計(jì)量。當(dāng)在不同的As（A）和Ωm（B）上測(cè)試時(shí)，顯示了來(lái)自D3M和2LPT的預(yù)測(cè)。他們展示了傳遞函數(shù) - 即預(yù)測(cè)功率譜與ground truth（上）之比的平方根 - 和1-r 2，其中r是預(yù)測(cè)場(chǎng)與真實(shí)場(chǎng)（下）之間的相關(guān)系數(shù)。除了最大尺度，D3M預(yù)測(cè)在所有尺度上都優(yōu)于2LPT預(yù)測(cè)，因?yàn)閿_動(dòng)理論在線性區(qū)域（大尺度）中工作良好。

AI將幫助人類更好的認(rèn)識(shí)宇宙

除了進(jìn)一步展示黑匣子AI和深度學(xué)習(xí)的反復(fù)無(wú)常和不可預(yù)測(cè)的本質(zhì)外，AI宇宙模擬器本身還有潛力幫助天體物理學(xué)家和研究人員填補(bǔ)我們宇宙背后的一些空白。

我們的宇宙是一個(gè)奇怪的，幾乎是未知的地方。人類剛剛開始將我們的視線投向可觀測(cè)空間之外，以確定宇宙之外是什么，以及它是如何形成現(xiàn)在的樣子的。人工智能可以幫助我們準(zhǔn)確地理解影響我們宇宙進(jìn)化的數(shù)十億個(gè)變量是如何作用于恒星、行星甚至生命本身的出現(xiàn)的。

該研究的源代碼：

https://github.com/siyucosmo/ML-Recon

產(chǎn)生訓(xùn)練數(shù)據(jù)的代碼：

https://github.com/rainwoodman/fastpm