Физики из Университета Карнеги-Меллона (США) на базе суперкомпьютера Frontera в Техасском центре передовых вычислений обучили нейронную сеть, которая смогла создать сложную модель развития Вселенной в высоком разрешении. Технология, объединяющая машинное обучение, высокопроизводительные вычисления и астрофизику, позволит выйти за границы небольших областей и более глубоко изучить развитие космоса. Результаты работы опубликованы в журнале Proceedings of the National Academy of Sciences.
Ученые используют космологическое моделирование, чтобы предсказать, как выглядела бы Вселенная в различных сценариях, например, если бы темная энергия, разделяющая Вселенную, менялась с течением времени. Затем наблюдения с телескопа подтверждают, соответствуют ли предсказания моделирования действительности.
"Космологическое моделирование должно охватывать большое пространство для проведения исследований, и при этом нуждается в высоком разрешении для решения мелкомасштабных вопросов образования галактик, что повлечет за собой сложные вычислительные задачи. Наша методика может быть использована в качестве мощного и перспективного инструмента, который соответствует обоим требованиям",- рассказал Ни Юэин, участник исследования, обучивший модель.
Обученный механизм может создавать полномасштабные модели с низким разрешением и генерировать модели со сверхразрешением, содержащие в 512 раз больше частиц. Для области во Вселенной примерно в 500 миллионов световых лет, содержащей 134 миллиона частиц, обычные методы потребовали бы 560 часов, чтобы произвести моделирование с высоким разрешением. При новом подходе исследователям потребуется всего 36 минут.
"Вселенная - это самый большой набор данных, который существует, а искусственный интеллект - это ключ к пониманию Вселенной и раскрытию новой физики", - отметил Скотт Додельсон, профессор и заведующий кафедрой физики Университета Карнеги-Меллона.
Специфический подход, используемый исследователями при машинном обучении, противопоставляет две нейронные сети друг другу. Одна сеть берет модели Вселенной с низким разрешением и использует их для создания моделей с высоким разрешением. Другая сеть пытается отличить эти симуляции от тех, которые делаются обычными методами. Со временем обе нейронные сети обучаются настолько, что создают качественные модели за небольшое время. В дальнейшем исследователи планируют расширить свои методы, чтобы иметь возможность изучать образование звезд и эффекты черных дыр.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
