健康教育网
一项新的研究报告说，研究人员已经使用人工智能成功创建了一个宇宙模型。
研究人员通过进行模型预测以与观测值相匹配的方式来理解我们的宇宙。从历史上看，他们能够用铅笔和纸为简单或高度简化的物理系统建模，开玩笑地称其为“球形奶牛”。后来，计算机的出现使他们能够使用数值模拟对复杂现象进行建模。例如，研究人员已经对超级计算机进行了编程，以模拟数十亿年的宇宙时间中数十亿个粒子的运动（此过程称为N体模拟），目的是研究宇宙如何演变成我们今天所观察到的。
“现在，借助机器学习，我们已经开发出了第一个宇宙神经网络模型，并证明了进行预测的第三条途径，该途径结合了分析计算和数值模拟的优点。”东京大学卡夫里宇宙物理与数学研究所，以及加州大学伯克利分校联合。
两种模型的准确性的比较。被称为D3M的新深度学习模型（左）比称为2LPT的现有分析方法（右）要精确得多。颜色表示相对于数值模拟的每个点的位移误差，该误差是准确的，但比深度学习模型慢得多。
在我们的宇宙开始之初，事情是非常统一的。随着时间的流逝，较重的部分会变得越来越密，稀疏的部分由于重力而变得稀疏，最终形成了泡沫状的结构，称为“宇宙网”。为了研究这种结构形成过程，研究人员尝试了许多方法，包括解析计算和数值模拟。分析方法很快，但是对于较大的密度波动却无法产生准确的结果。另一方面，数值（N体）方法可以精确地模拟结构的形成，但是即使在超级计算机上，跟踪成千上万个粒子的成本也很高。因此，要为宇宙建模，科学家通常会面临精度与效率之间的权衡。
但是，观测数据在质量和数量上的爆炸性增长，要求在准确性和效率上都出类拔萃的方法。
为了应对这一挑战，来自美国，加拿大和日本（包括李）的研究人员团队将目光投向了机器学习，这是一种检测模式和做出预测的前沿方法。就像机器学习可以将年轻人的画像转变成年长的自我一样，Li和同事问道，它是否还可以根据他们的早期快照来预测宇宙如何演化。他们用卷积数万亿立方光年的模拟数据训练了卷积神经网络，并建立了能够模拟结构形成过程的深度学习模型。新模型不仅比分析方法准确很多倍，而且比用于训练的数值模拟要有效得多。
Li说：“它具有以前的[解析计算和数值模拟]方法的优势。”
李说，人工智能仿真的能力将在未来扩大。N体仿真已经进行了充分的优化，并且作为首次尝试，他的团队的AI模型仍然有很大的改进空间。同样，更复杂的现象会在仿真上带来更大的成本，但在仿真上却不太可能。Li和他的同事们希望在将其他影响（例如流体动力学）纳入仿真时，他们的AI仿真器会带来更大的性能提升。
他说：“不久之后，我们就可以发现宇宙的初始条件和在宇宙中编码的物理原理。”
该研究于2019年6月24日发表在《美国国家科学院院刊》上。DOI：10.1073 / pnas.1821458116
