• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Astronomía
    El aprendizaje automático acelera las simulaciones cosmológicas

    La simulación más a la izquierda se ejecutó a baja resolución. Usando el aprendizaje automático, los investigadores mejoraron el modelo de baja resolución para crear una simulación de alta resolución (derecha). Esa simulación captura los mismos detalles que un modelo convencional de alta resolución (en el medio) al tiempo que requiere una cantidad significativamente menor de recursos computacionales. Crédito:Y. Li et al./Procedimientos de la Academia Nacional de Ciencias 2021

    Un universo evoluciona a lo largo de miles de millones y miles de millones de años, pero los investigadores han desarrollado una forma de crear un universo simulado complejo en menos de un día. La técnica, publicado en el de esta semana procedimientos de la Academia Nacional de Ciencias , reúne el aprendizaje automático computación y astrofísica de alto rendimiento y ayudarán a marcar el comienzo de una nueva era de simulaciones cosmológicas de alta resolución.

    Las simulaciones cosmológicas son una parte esencial para desentrañar los muchos misterios del universo, incluidos los de materia oscura y energía oscura. Pero hasta ahora los investigadores se enfrentaron al enigma común de no poder tenerlo todo:las simulaciones podrían enfocarse en un área pequeña a alta resolución, o podrían abarcar un gran volumen del universo a baja resolución.

    Los profesores de física de la Universidad Carnegie Mellon Tiziana Di Matteo y Rupert Croft, Investigador del Instituto Flatiron Yin Li, Carnegie Mellon Ph.D. candidato Yueying Ni, El profesor de Física y Astronomía de Riverside de la Universidad de California, Simeon Bird, y Yu Feng de la Universidad de California en Berkeley, superaron este problema al enseñar un algoritmo de aprendizaje automático basado en redes neuronales para actualizar una simulación de baja resolución a súper resolución.

    "Las simulaciones cosmológicas deben cubrir un gran volumen de estudios cosmológicos, mientras que también requiere alta resolución para resolver la física de formación de galaxias a pequeña escala, lo que implicaría enormes desafíos computacionales. Nuestra técnica se puede utilizar como una herramienta poderosa y prometedora para cumplir con esos dos requisitos simultáneamente al modelar la física de formación de galaxias a pequeña escala en grandes volúmenes cosmológicos. "dijo Ni, quien realizó el entrenamiento del modelo, construyó la tubería para pruebas y validación, analizó los datos y realizó la visualización a partir de los datos.

    El código entrenado puede tomar escala completa, modelos de baja resolución y generan simulaciones de superresolución que contienen hasta 512 veces más partículas. Para una región del universo de aproximadamente 500 millones de años luz de diámetro que contiene 134 millones de partículas, Los métodos existentes requerirían 560 horas para producir una simulación de alta resolución utilizando un solo núcleo de procesamiento. Con el nuevo enfoque, los investigadores solo necesitan 36 minutos.

    Los resultados fueron aún más dramáticos cuando se agregaron más partículas a la simulación. Para un universo 1, 000 veces más grande con 134 mil millones de partículas, El nuevo método de los investigadores tomó 16 horas en una sola unidad de procesamiento de gráficos. Usando métodos actuales, una simulación de este tamaño y resolución llevaría meses a una supercomputadora dedicada.

    Reducir el tiempo que lleva ejecutar simulaciones cosmológicas "tiene el potencial de proporcionar importantes avances en cosmología numérica y astrofísica, "Dijo Di Matteo." Las simulaciones cosmológicas siguen la historia y el destino del universo, hasta la formación de todas las galaxias y sus agujeros negros ".

    Los científicos usan simulaciones cosmológicas para predecir cómo se vería el universo en varios escenarios, como si la energía oscura que separa el universo variara con el tiempo. Las observaciones del telescopio luego confirman si las predicciones de las simulaciones coinciden con la realidad.

    "Con nuestras simulaciones anteriores, demostramos que podíamos simular el universo para descubrir una física nueva e interesante, pero solo a escalas pequeñas o de baja resolución, ", dijo Croft." Al incorporar el aprendizaje automático, la tecnología puede ponerse al día con nuestras ideas ".

    Di Matteo, Croft y Ni son parte del Instituto de Planificación de la Fundación Nacional de Ciencias de Carnegie Mellon (NSF) para la Inteligencia Artificial en Física, que apoyó este trabajo, y miembros del Centro McWilliams de Cosmología de Carnegie Mellon.

    "El universo es el conjunto de datos más grande que existe:la inteligencia artificial es la clave para comprender el universo y revelar nueva física, "dijo Scott Dodelson, profesor y jefe del departamento de física de la Universidad Carnegie Mellon y director del NSF Planning Institute. "Esta investigación ilustra cómo el NSF Planning Institute for Artificial Intelligence hará avanzar la física a través de la inteligencia artificial, aprendizaje automático, estadística y ciencia de datos ".

    "Está claro que la IA está teniendo un gran efecto en muchas áreas de la ciencia, incluida la física y la astronomía, "dijo James Shank, un director de programa en la División de Física de NSF. "Nuestro programa del Instituto de planificación de IA está trabajando para impulsar la IA para acelerar el descubrimiento. Este nuevo resultado es un buen ejemplo de cómo la IA está transformando la cosmología".

    Para crear su nuevo método, Ni y Li aprovecharon estos campos para crear un código que usa redes neuronales para predecir cómo la gravedad mueve la materia oscura a lo largo del tiempo. Las redes toman datos de entrenamiento, Ejecute cálculos y compare los resultados con el resultado esperado. Con más formación, las redes se adaptan y se vuelven más precisas.

    El enfoque específico utilizado por los investigadores, llamada red generativa de adversarios, enfrenta a dos redes neuronales entre sí. Una red toma simulaciones de baja resolución del universo y las usa para generar modelos de alta resolución. La otra red intenta diferenciar esas simulaciones de las realizadas por métodos convencionales. Tiempo extraordinario, ambas redes neuronales mejoran cada vez más hasta que, por último, el generador de simulación gana y crea simulaciones rápidas que se parecen a las lentas convencionales.

    "No pudimos hacerlo funcionar durante dos años, "Li dijo, "y de repente comenzó a funcionar. Obtuvimos resultados hermosos que coincidieron con lo que esperábamos. Incluso hicimos algunas pruebas a ciegas nosotros mismos, y la mayoría de nosotros no sabíamos cuál era 'real' y cuál era 'falso' ".

    A pesar de que solo se capacitó en áreas pequeñas de espacio, las redes neuronales replicaron con precisión las estructuras a gran escala que solo aparecen en enormes simulaciones.

    Las simulaciones no capturaron todo, aunque. Porque se enfocaron en la materia oscura y la gravedad, fenómenos de menor escala, como la formación de estrellas, las supernovas y los efectos de los agujeros negros — se dejaron de lado. Los investigadores planean extender sus métodos para incluir las fuerzas responsables de tales fenómenos, y ejecutar sus redes neuronales "sobre la marcha" junto con simulaciones convencionales para mejorar la precisión.


    © Ciencia https://es.scienceaq.com