机器学习非常擅长模拟宇宙
作者：Matthew Williams
（ITHEMS）在日本，人工智能与超级计算机之间的摊牌已经开始。Riken的研究人员与国际同事团队一起使用机器学习来增强银河发展的模拟。将结果与直接数值模拟进行了比较，例如通常在超级计算机上运行的模拟，而AI赢得了本轮！此外，这种方法可以阐明银河系的起源以及我们所知道的对生活所必需的元素。
这项研究由Keiya Hirashima，ITHEMS的博士后研究员和Flatiron Institute计算天体物理学中心。他的同事们也加入了马克斯·普朗克天体物理研究所（MPA），早期宇宙研究中心在东京大学，行星科学中心（CPS）在科比大学，纽约大学，普林斯顿大学，东北社区服务与科学大学以及日本机器学习公司首选网络公司（PFN）。
当涉及银河系时，模拟解决了一个关键问题，这是Supernovae扮演的角色。由于研究这些事件的机会很少，而且相距甚远，因此科学家必须依靠基于望远镜和其他观察方法收集的数据的数值模拟。这些模拟非常复杂，因为它们必须考虑宇宙学的力量并具有高度的时间分辨率，因此不会错过重大事件。其中包括超新星，从核心崩溃到几个月到几千年的残留物，比典型模拟可以实现的数量级小。
在普通的数值模拟中，超新星发生在时间尺度上，比超级计算机所能达到的1000倍。此外，能够完成时间分辨率的模拟需要1 - 2年才能完成，并且仅限于相对较小的星系。为了克服这种瓶颈，该团队将AI纳入了基于Asura代码的模拟中，该模拟结合了N体和平滑的粒子流体动力学方法（SPH）方法，以模拟星系形成。它们还包括开发粒子模拟器（FBPS）代码以模拟化学过程的框架，以及由Preferred Networks Inc.开发的机器学习（ML）模型。
这产生了团队所描述的Asura-FBPS-ML模型，这使他们能够匹配先前建模的矮星银河系的输出，但得出结果更快。正如Hirashima在Riken中所说的新闻稿：
当我们使用AI模型时，模拟的速度大约是标准数值模拟的速度大约四倍，Hirashima说。â€这对应于减少几个月到半年的计算时间。至关重要的是，我们的AI辅助模拟能够重现用于捕获银河进化和物质周期（包括星形形成和星系流出）重要的动力学。
为了训练他们的人工智能，研究人员从300个孤立的超新星模拟的分子云中向IT数据提供了数据，这是我们太阳质量的一百万倍。这产生了一个模型，能够预测超新星壳膨胀初始阶段中气体颗粒的密度，温度和3D速度，通常在发生核心崩溃后持续100，000年。与超级计算机执行的直接数值模拟相比，新模型在计算时间的四分之一之内产生了类似的银河结构和恒星形成历史。
这项研究说明了将AI纳入宇宙学模拟的潜力，包括自大爆炸以来整个宇宙如何发展的模型（约140亿年前）。Hirashima说：“ [o]我们的AI辅助框架将允许对重型星系（例如银河系）进行高分辨率的明星模拟，目的是预测太阳系的起源以及对生命诞生至关重要的要素。”目前，该实验室正在使用Asura-FBPS-ML模型来运行与银河系一样大的星系模拟，这也可能导致有关我们星系中生命的起源的新理论。
描述他们发现的论文出现在天体物理杂志。
进一步阅读：瑞肯
关于《机器学习非常擅长模拟宇宙》的评论
暂无评论