【新智元导读】CMU和UC Berkeley等机构的研究职员推出了环球首个AI宇宙三维仿照器,可在几毫秒内完成仿照,而且更加准确。更让人震荡的是在调度参数后,无需调参演习仍能准确仿照宇宙!
“就像利用猫狗图片演习识别软件,终极能识别大象”一样让人震荡。
最近,一组来自CMU和UC Berkeley等研究机构的研究职员率先推出了环球首个AI宇宙三维仿照器。这个仿照器不仅速率快而且精度高,调参后无需演习仍能准确仿照,乃至连它的创造者都不知道它是如何做到的。
宇宙中暗物质的数量都能计几十年来,科学家们一贯利用打算机仿照来考试测验并用数字技能对我们宇宙的起源和蜕变进行逆向工程。利用当代技能的最佳的传统方法须要几分钟韶光来产生良好的结果。现在,这个环球首个AI宇宙仿照器在几毫秒内,就能产生更高精度的结果。
论文中提到:“在这里,我们建立了一个深层的神经网络来预测宇宙的构造形成。它优于传统的快速剖析近似法,并且可以在演习数据之外精确地进行外推。”
也便是说,它不仅做了开拓职员建造它做的事情——仿照不同引力条件下宇宙的蜕变——它还为它没有演习过的变量产生了精确的结果。例如,它报告的一个让科学家们惊异的分外参数是,宇宙中暗物质的数量。
研究小组没有根据暗物质含量不同的数据来演习这个名为“深密度位移模型”(D3M)的系统,然而AI(根据研究,精确地)根据它所演习的数据的推论改变了这些值。
正如论文的合著者Shirley Ho所言:“这就像用大量的猫狗图片教图像识别软件一样,但随后软件能够识别大象。没有人知道它是如何做到的,这是一个很费解的谜。”
8000种不同仿照演习模型像D3M那样的打算机仿照已成为理论天体物理学的必要条件。科学家们想知道宇宙在不同的情形下是如何蜕变的,例如,比如暗能量将宇宙拉离的韶光是不同的。这些研究须要进行数千次仿照,做一个闪电般快速且高度精确的打算机模型成为当代天体物理学的紧张目标之一。
D3M仿照引力如何塑造宇宙。研究职员选择仅关注引力,由于它是迄今为止宇宙大规模蜕变中最主要的力量。
最精确的宇宙仿照打算了引力如何在宇宙的全体生命中移动数十亿个单个粒子。这种精度须要韶光,一次仿照须要大约300个打算小时。更快的方法可以在两分钟内完成相同的仿照,但代价便是精度会降落。
研究职员通过从可用的最高精度模型中供应了8,000种不同的仿照,来演习D3M利用的深度神经网络。神经网络获取演习数据并对数据进行打算; 然后研究职员将结果与预期结果进行比较。通过进一步演习,神经网络会随着韶光的推移而适应,从而产生更快、更准确的结果。
在演习D3M之后,研究职员对6亿光年的箱形宇宙进行了仿照,并将结果与慢速和快速模型的结果进行了比较。虽然慢速但准确的方法每次仿照须要数百小时的打算韶光,而现有的快速方法须要几分钟,但D3M可以在30毫秒内完成仿照。
D3M也能产生准确的结果。与高精度模型比较,D3M的相对偏差为2.8%。利用相同的比较,现有的快速模型的相对偏差为9.3%。
研究职员表示,D3M处理演习数据中没有的参数变革能力非常出色,这使得它成为一个特殊有用和灵巧的工具。除了建模其他力量,如流体动力学,Ho的团队希望更多地理解该模型如何在引擎盖下事情。何说,这样做可以为推动人工智能和机器学习带来好处。
D3M在处理演习数据中未创造的参数变革方面具有非凡的能力,这使得它成为一个特殊有用和灵巧的工具。除了仿照其他力,如流体动力学,研究团队希望理解更多关于模型是如何运作的。
图1:由D3M产生的位移矢量场(左)和由此产生的密度场(右)。
图2:各列通过各种模型显示了完全粒子分布(上)和位移矢量(下)的2D切片:FastPM,目标ground truth,基于PM解算器(A)的近似N体仿照方案;ZA,沿初始速率矢量(B)蜕变粒子的大略线性模型;2LPT,常用的剖析近似(C)和本文的深度学习模型D3M(D)。虽然FastPM(A)是研究团队的ground truth,B-D包括点或向量的颜色。颜色表示目标位置(A)或位移矢量与各种方法(B-D)预测分布之间的相对差异(qmodel−qtarget)/qtarget。偏差条表明,密度较大的区域所有方法都有较大的偏差,这表明对付所有模型(D3M,2LPT和ZA),很难精确预测高度非线性区域。他们的D3M模型在上述B-D模型中预测和ground truth之间的差异最小。
图3:FastPM(橙色),2LPT(蓝色)和c(绿色)(顶部)的位移和密度功率谱; 通报函数 - 即预测的功率谱与ground truth(中部)之比的平方根; 以及1–r 2,个中r是预测场与真场(底部)之间的干系系数。结果是1,000个测试仿照的均匀值。从大到中,D3M预测的通报函数和干系系数靠近完美,明显优于基准2LPT。(B)对付几个三角形配置,两个3PCF的多极系数(ζ1(r1,r2))(与目标)的比率。结果在10次测试仿照中取均匀值。偏差条(添补区域)是从10次测试仿照得出的SD。该比率表明D3M的3PCF比他们的目标FastPM更靠近2LPT,方差更小。
图4:上图显示当他们改变宇宙参数As和Ωm时,粒子分布和位移场的差异。(A)偏差条显示As = A0与As = 0.2 A0(中央)和As = 1.8A0(右)之间的两个极值之间的粒子分布(上)和位移场(下)之间的差异。(B)类似的比较,显示Ωm∈{0.1,0.5}的较小和较大值的粒子分布(上)和位移场(下)的差异,用于演习的Ωm= 0.3089。虽然较小的As(Ωm)值的差异较大,但较大的As(Ωm)的位移更加非线性。这种非线性是由质量集中引起的,并使预测更加困难。
图5:与图3A类似,除了在不改变演习集(具有不同的宇宙参数)或演习模型的情形下,改变宇宙参数时,测试两点统计量。当在不同的As(A)和Ωm(B)上测试时,显示了来自D3M和2LPT的预测。他们展示了通报函数 - 即预测功率谱与ground truth(上)之比的平方根 - 和1-r 2,个中r是预测场与真实场(下)之间的干系系数。除了最大尺度,D3M预测在所有尺度上都优于2LPT预测,由于扰动理论在线性区域(大尺度)中事情良好。
AI将帮助人类更好的认识宇宙除了进一步展示黑匣子AI和深度学习的反复无常和不可预测的实质外,AI宇宙仿照器本身还有潜力帮助天体物理学家和研究职员补充我们宇宙背后的一些空缺。
我们的宇宙是一个奇怪的,险些是未知的地方。人类刚刚开始将我们的视线投向可不雅观测空间之外,以确定宇宙之外是什么,以及它是如何以形成现在的样子的。人工智能可以帮助我们准确地理解影响我们宇宙进化的数十亿个变量是如何浸染于恒星、行星乃至生命本身的涌现的。
该研究的源代码:
https://github.com/siyucosmo/ML-Recon
产生演习数据的代码:
https://github.com/rainwoodman/fastpm
论文地址:
https://www.pnas.org/content/pnas/early/2019/06/21/1821458116.full.pdf
参考链接
https://www.sciencecodex.com/first-ai-universe-sim-fast-and-accurate-and-its-creators-dont-know-how-it-works-628346
https://thenextweb.com/artificial-intelligence/2019/06/26/the-first-ai-capable-of-simulating-the-universe-works-so-well-its-scary/