แอปพลิเคชัน

"ในขณะนี้ ข้อจำกัดของเวลาในการคำนวณมักจะหมายความว่าเราไม่สามารถจำลองเอกภพได้ทั้งความละเอียดสูงและปริมาณมาก" Yin Li ผู้เขียนนำการศึกษา นักดาราศาสตร์ฟิสิกส์จากสถาบัน Flatiron ในนครนิวยอร์กกล่าว "ด้วยเทคนิคใหม่ของเรา เป็นไปได้ที่จะมีทั้งสองอย่างอย่างมีประสิทธิภาพ ในอนาคต วิธีการที่ใช้ AI เหล่านี้จะกลายเป็นบรรทัดฐานสำหรับการใช้งานบางประเภท" วิธีการใหม่ที่พัฒนาโดย Li และเพื่อนร่วมงานของเขาป้อนอัลกอริทึมการเรียนรู้ของเครื่องด้วยแบบจำลองของพื้นที่ขนาดเล็กที่มีทั้งความละเอียดต่ำและสูง อัลกอริทึมจะเรียนรู้วิธียกระดับโมเดลความละเอียดต่ำให้ตรงกับรายละเอียดที่พบในเวอร์ชันความละเอียดสูง เมื่อผ่านการฝึกอบรมแล้ว โค้ดจะสามารถใช้โมเดลความละเอียดต่ำเต็มรูปแบบและสร้างการจำลองแบบ 'ความละเอียดสูงสุด' ที่มีอนุภาคมากถึง 512 เท่า กระบวนการนี้คล้ายกับการถ่ายภาพที่พร่ามัวและเพิ่มรายละเอียดที่ขาดหายไป ทำให้ภาพคมชัด การลดอัตราการสุ่มสัญญาณนี้ช่วยประหยัดเวลาได้มาก สำหรับพื้นที่ในเอกภพประมาณ 500 ล้านปีแสงที่มีอนุภาค 134 ล้านอนุภาค วิธีการที่มีอยู่จะต้องใช้เวลา 560 ชั่วโมงในการจำลองแบบความละเอียดสูงโดยใช้แกนประมวลผลเดียว ด้วยวิธีการใหม่นี้ นักวิจัยต้องการเวลาเพียง 36 นาทีเท่านั้น ผลลัพธ์ที่ได้น่าทึ่งยิ่งขึ้นเมื่อมีการเพิ่มอนุภาคจำนวนมากขึ้นในการจำลอง สำหรับเอกภพที่มีขนาดใหญ่กว่า 1,000 เท่าและมีอนุภาค 134 พันล้านอนุภาค วิธีการใหม่ของนักวิจัยใช้เวลา 16 ชั่วโมงในหน่วยประมวลผลกราฟิกเดียว วิธีการที่มีอยู่จะใช้เวลานานมากจนไม่คุ้มที่จะใช้งานหากไม่มีทรัพยากรของซูเปอร์คอมพิวเตอร์โดยเฉพาะ Li กล่าว Li เป็นผู้ร่วมวิจัยที่ศูนย์ฟิสิกส์ดาราศาสตร์เชิงคำนวณของสถาบัน Flatiron และศูนย์คณิตศาสตร์เชิงคำนวณ แอปพลิเคชัน เขาร่วมเขียนงานวิจัยร่วมกับ Yueying Ni, Rupert Croft และ Tiziana Di Matteo จาก Carnegie Mellon University; Simeon Bird แห่งมหาวิทยาลัยแคลิฟอร์เนีย ริเวอร์ไซด์; และหยูเฟิงแห่งมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์ การจำลองจักรวาลเป็นสิ่งจำเป็นสำหรับนักฟิสิกส์ดาราศาสตร์ นักวิทยาศาสตร์ใช้การจำลองเพื่อทำนายว่าเอกภพจะมีลักษณะอย่างไรในสถานการณ์ต่างๆ เช่น หากพลังงานมืดดึงเอกภพออกจากกันโดยแปรผันตามเวลา การสังเกตด้วยกล้องโทรทรรศน์อาจยืนยันได้ว่าการคาดการณ์ของแบบจำลองตรงกับความเป็นจริงหรือไม่ การสร้างการคาดคะเนที่ทดสอบได้ต้องใช้การจำลองหลายพันครั้ง ดังนั้นการสร้างแบบจำลองที่เร็วขึ้นจะเป็นประโยชน์อย่างมากสำหรับภาคสนาม การลดเวลาที่ใช้ในการจำลองจักรวาลวิทยา "ถือศักยภาพในการให้ความก้าวหน้าครั้งสำคัญในด้านจักรวาลวิทยาเชิงตัวเลขและฟิสิกส์ดาราศาสตร์" ดิ มัตเตโอกล่าว "การจำลองจักรวาลวิทยาเป็นไปตามประวัติศาสตร์และชะตากรรมของเอกภพ ไปจนถึงการก่อตัวของดาราจักรทั้งหมดและหลุมดำของพวกมัน" จนถึงตอนนี้ การจำลองแบบใหม่จะพิจารณาเฉพาะสสารมืดและแรงโน้มถ่วงเท่านั้น แม้ว่าสิ่งนี้อาจดูเหมือนเป็นการทำให้เข้าใจง่ายเกินไป แต่แรงโน้มถ่วงเป็นแรงที่ครอบงำเอกภพในระดับที่ใหญ่ และสสารมืดคิดเป็น 85 เปอร์เซ็นต์ของ 'สิ่งของ' ทั้งหมดในเอกภพ อนุภาคในการจำลองไม่ใช่อนุภาคสสารมืดที่แท้จริง แต่ใช้เป็นตัวติดตามแทนเพื่อแสดงให้เห็นว่าสสารมืดเคลื่อนผ่านจักรวาลได้อย่างไร รหัสของทีมใช้โครงข่ายประสาทเทียมเพื่อทำนายว่าแรงโน้มถ่วงจะเคลื่อนสสารมืดไปรอบๆ เมื่อเวลาผ่านไปอย่างไร เครือข่ายดังกล่าวจะนำเข้าข้อมูลการฝึกอบรมและดำเนินการคำนวณโดยใช้ข้อมูลดังกล่าว ผลลัพธ์จะถูกเปรียบเทียบกับผลลัพธ์ที่คาดหวัง ด้วยการฝึกอบรมเพิ่มเติม เครือข่ายจะปรับตัวและมีความแม่นยำมากขึ้น วิธีการเฉพาะที่นักวิจัยใช้เรียกว่า generative adversarial network ทำให้เกิดโครงข่ายประสาทเทียม 2 แห่งต่อกัน เครือข่ายหนึ่งนำการจำลองจักรวาลที่มีความละเอียดต่ำมาใช้เพื่อสร้างแบบจำลองที่มีความละเอียดสูง เครือข่ายอื่นพยายามที่จะบอกการจำลองเหล่านั้นนอกเหนือจากที่ทำโดยวิธีทั่วไป เมื่อเวลาผ่านไป โครงข่ายประสาทเทียมทั้งสองก็ดีขึ้นเรื่อย ๆ จนกระทั่งในที่สุด เครื่องกำเนิดการจำลองก็ชนะและสร้างการจำลองที่รวดเร็วซึ่งดูเหมือนการจำลองแบบเดิมที่ช้า "เราไม่สามารถทำให้มันทำงานได้เป็นเวลาสองปี" Li กล่าว "และทันใดนั้นมันก็เริ่มทำงาน เราได้ผลลัพธ์ที่สวยงามตรงกับที่เราคาดไว้ เรายังทำการทดสอบแบบปิดตาด้วยตัวเอง และพวกเราส่วนใหญ่ไม่สามารถบอกได้ว่า อันไหน 'ของจริง' อันไหน 'ของปลอม'" แม้จะได้รับการฝึกฝนโดยใช้พื้นที่ขนาดเล็กเท่านั้น แต่โครงข่ายประสาทเทียมก็จำลองโครงสร้างขนาดใหญ่ที่ปรากฏในแบบจำลองขนาดมหึมาได้อย่างแม่นยำเท่านั้น การจำลองไม่ได้จับทุกอย่างแม้ว่า เนื่องจากพวกเขามุ่งเน้นไปที่สสารมืดและแรงโน้มถ่วงเท่านั้น ปรากฏการณ์ขนาดเล็ก เช่น การก่อตัวดาวฤกษ์ ซูเปอร์โนวา และผลกระทบของหลุมดำ จึงถูกมองข้ามไป นักวิจัยวางแผนที่จะขยายวิธีการของพวกเขาเพื่อรวมพลังที่รับผิดชอบต่อปรากฏการณ์ดังกล่าว และเรียกใช้โครงข่ายประสาทเทียมแบบ 'ทันที' ควบคู่ไปกับการจำลองแบบเดิมเพื่อปรับปรุงความแม่นยำ "เรายังไม่ทราบแน่ชัดว่าจะทำอย่างไร แต่เรากำลังก้าวหน้า" หลี่กล่าว