宇宙學模擬是揭開宇宙眾多奧秘的一個重要部分，包括暗物質和暗能量的奧秘。

利用神經網絡，研究人員現在可以在一小部分時間內模擬宇宙，這大大推動了物理學研究的發(fā)展。一個宇宙經過數十億年的演變，但研究人員已經開發(fā)出一種方法，可以在不到一天的時間內創(chuàng)建一個復雜的模擬宇宙。最近發(fā)表在《美國國家科學院院刊》上的這項技術將機器學習、高性能計算和天體物理學結合在一起，將有助于開創(chuàng)一個高分辨率宇宙學模擬的新紀元。

宇宙學模擬是揭開宇宙眾多奧秘的一個重要部分，包括暗物質和暗能量的奧秘。但是直到現在，研究人員還面臨著魚和熊掌的難題，那就是如何實現可以在高分辨率下專注于一個小區(qū)域的模擬，也可以在低分辨率下囊括大片宇宙。

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通過教授一種基于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，克服了這個問題。

"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，這將招致艱巨的計算挑戰(zhàn)。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形成物理進行建模，來同時滿足這兩個要求。"倪說，他進行了模型的訓練，建立了測試和驗證的管道，分析了數據并根據數據制作了可視化。

訓練后的代碼可以采用全尺寸的低分辨率模型，并生成包含多達512倍顆粒的超分辨率模擬。對于宇宙中一個大約5億光年的區(qū)域，包含1.34億個粒子，現有的方法將需要560個小時來使用一個處理核心攪動出一個高分辨率的模型，而使用新的方法，研究人員只需要36分鐘。

當更多的粒子被添加到模擬中時，結果甚至更加戲劇性。對于一個有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需要16個小時。使用傳統(tǒng)的方法，完成這種規(guī)模和分辨率的模擬將需要一臺專門的超級計算機來完成。

科學家們使用宇宙學模擬來預測宇宙在各種情況下的樣子，例如，如果拉開宇宙的暗能量隨時間變化，然后通過望遠鏡觀測確認模擬的預測是否符合現實。

"宇宙是最大的數據集--人工智能是理解宇宙和揭示新物理學的關鍵，"卡內基梅隆大學物理系教授兼主任、國家科學基金會規(guī)劃研究所所長斯科特-多德爾森說。"這項研究說明了國家科學基金會人工智能規(guī)劃研究所將如何通過人工智能、機器學習、統(tǒng)計學和數據科學推動物理學的發(fā)展。"

"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(guī)劃研究所項目正在努力推動人工智能加速發(fā)現。這項新成果是人工智能如何改變宇宙學的一個很好的例子。"

Ni和Li利用這些領域創(chuàng)建了一套代碼，使用神經網絡來預測引力如何在一段時間內移動暗物質。這些網絡接受訓練數據，運行計算，并將結果與預期結果進行比較。隨著進一步的訓練，網絡適應并變得更加準確。

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，并使用它們來生成高分辨率的模型。另一個網絡試圖將這些模擬與傳統(tǒng)方法制作的模擬區(qū)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，模擬生成器勝出并創(chuàng)造出快速模擬的能力。

盡管只是使用小面積的空間進行訓練，但神經網絡準確地復制了只有在巨大的模擬中出現的大規(guī)模結構。

不過，這些模擬并沒有捕捉到一切。因為他們專注于暗物質和引力，較小規(guī)模的現象--如恒星形成、超新星和黑洞的影響被排除在外。研究人員計劃擴展他們的方法，以包括負責此類現象的力量，并在常規(guī)模擬中加載他們的神經網絡，以提高準確性。

編輯：jq