Ved at bruge lidt maskinlæringsmagi kan videnskabsmænd nu modellere enorme og komplekse universer på en tusindedel af tiden, det tager konventionelle metoder. Den nye tilgang vil hjælpe med at indlede en ny æra af højopløselige kosmologiske simuleringer.
Den nye metode, udviklet af Yin Li, en astrofysiker ved Flatiron Institute i New York, og hans kolleger, giver en maskinlæringsalgoritme med både lav- og højopløsningsmodeller af et lille område i rummet. Algoritmen lærer, hvordan man skalerer lavopløsningsmodeller til at matche detaljerne i højopløsningsversioner. Når først den er trænet, kan koden tage fuldskala, lavopløsningsmodeller og generere ultrahøjopløsningssimuleringer, der indeholder 512 gange flere partikler.
Denne skalering giver betydelige tidsbesparelser. For en region af universet, der er omkring 500 millioner lysår på tværs, og som indeholder 134 millioner partikler, tager eksisterende metoder 560 timer at gennemføre en højopløsningssimulering ved hjælp af en enkelt behandlingskerne. Forskere siger, at med den nye tilgang tager det kun 36 minutter. Resultaterne var endnu mere imponerende, da flere partikler blev tilføjet til simuleringen. For universet, der er 1000 gange større og indeholder 134 milliarder partikler, tog forskernes nye metode 16 timer på én GPU.
Også interessant:
- De første partikler i universet er blevet genskabt. Spoiler-alarm: de ser mærkelige ud
- En ny undersøgelse rejser tvivl om sammensætningen af 70% af vores univers
Ifølge eksperter kan reduktion af den tid, der kræves til at udføre kosmologiske simuleringer, sikre betydelige fremskridt inden for numerisk kosmologi og astrofysik. Kosmologiske simuleringer sporer universets historie tilbage til dannelsen af alle galakser og deres sorte huller."
Indtil videre tager de nye modeller kun hensyn til mørkt stof og tyngdekraft. Selvom dette kan virke som en overforenkling, er tyngdekraften bestemt den dominerende kraft i universet i stor skala, og mørkt stof udgør 85 % af alt "stof" i kosmos. Partiklerne i simuleringen er ikke bogstavelige partikler af mørkt stof, men bruges i stedet som trackere til at vise, hvordan partikler af mørkt stof bevæger sig gennem universet.
Simuleringen fanger ikke alt, da den kun fokuserer på mørkt stof og tyngdekraft, småskalafænomener som stjernedannelse, supernovaer og virkningerne af sorte huller tages ikke i betragtning. Forskerne planlægger at udvide deres metoder til at omfatte de kræfter, der er ansvarlige for sådanne fænomener, og køre deres neurale netværk i farten sammen med konventionelle simuleringer for at forbedre nøjagtigheden.
Læs også: