近來，一組來自CMU和UC等研究機構的研究人員率先推出了全球首個AI宇宙三維模擬器。這個模擬器除了速率快但是精度高，調參后無需訓練仍能確切模擬，甚至連它的創造者都不曉得它是怎么做到的。
宇宙中暗物質的數目都能估算
幾六年來，科學家們仍然使用計算機模擬來嘗試并用數字技術對我們宇宙的起源和演變進行逆向工程。使用現代技術的最佳的傳統方式須要幾分鐘時間來形成良好的結果。如今，這個全球首個AI宇宙模擬器在幾微秒內，才能形成更高精度的結果。
論文中談到：“在這兒，我們構建了一個深層的神經網路來預測宇宙的結構產生。它優于傳統的快速剖析近似法，而且可以在訓練數據之外精確地進行外推。”
也就是說，它除了做了開發人員建造它做的事情——模擬不同引力條件下宇宙的演變——它還為它沒有訓練過的變量形成了精確的結果。比如，它報告的一個讓科學家們震驚的特殊參數是，宇宙中暗物質的數目。
研究小組沒有按照暗物質濃度不同的數據來訓練這個名為“深密度位移模型”（D3M）的系統，但是AI（依據研究，精確地）按照它所訓練的數據的結論改變了這種值。
正如論文的專著者Ho所言：“這如同用大量的貓狗圖片教圖象辨識軟件一樣，但此后軟件才能辨識小象。沒有人曉得它是怎樣做到的，這是一個很吃驚的謎。”
8000種不同模擬訓練模型
像D3M那樣的計算機模擬已成為理論天體化學學的必要條件。科學家們想曉得宇宙在不同的情況下是怎樣演變的，比如，例如暗能量將宇宙拉離的時間是不同的。這種研究須要進行數千次模擬，做一個閃電般快速且高度精確的計算機模型成為現代天體化學學的主要目標之一。
D3M模擬引力怎樣打造宇宙。研究人員選擇僅關注引力，由于它是迄今為止宇宙大規模演變中最重要的力量。
最精確的宇宙模擬估算了引力怎樣在宇宙的整個生命中聯通數十億個單個粒子。這些精度須要時間，一次模擬須要大概300個估算小時。更快的方式可以在兩分鐘內完成相同的模擬天體物理模擬器，但代價就是精度會增加。
研究人員通過從可用的最高精度模型中提供了8,000種不同的模擬，來訓練D3M使用的深度神經網路。神經網路獲取訓練數據并對數據進行估算;之后研究人員將結果與預期結果進行比較。通過進一步訓練，神經網路會隨著時間的推移而適應，因而形成更快、更確切的結果。
在訓練D3M以后，研究人員對6億光年的箱形宇宙進行了模擬，并將結果與慢速和快速模型的結果進行了比較。慢速但確切的方式每次模擬須要數百小時的估算時間，而現有的快速技巧須要幾分鐘，但D3M可以在30微秒內完成模擬。
D3M也能形成確切的結果。與高精度模型相比，D3M的相對偏差為2.8%。使用相同的比較，現有的快速模型的相對偏差為9.3%。
研究人員表示，D3M在處理訓練數據中未發覺的參數變化方面具有非凡的能力，這促使它成為一個非常有用和靈活的工具。不僅模擬其他力，如流體動力學，研究團隊希望了解更多關于模型是怎樣運作的。
圖1：由D3M形成的位移矢量場（左）和由此形成的密度場（右）。
圖2：各列通過各類模型顯示了完整粒子分布（上）和位移矢量（下）的2D切塊：，目標truth，基于PM解算器（A）的近似N體模擬方案；ZA天體物理模擬器，沿初始速率矢量（B）演變粒子的簡單線性模型；2LPT，常用的剖析近似（C）和本文的深度學習模型D3M（D）。其實（A）是研究團隊的truth，B-D包括點或向量的顏色。顏色表示目標位置（A）或位移矢量與各類方式（B-D）預測分布之間的相對差別（）/。偏差條表明，密度較大的區域所有方式都有較大的偏差，這表明對于所有模型（D3M，2LPT和ZA），很難正確預測高度非線性區域。她們的D3M模型在上述B-D模型中預測和truth之間的差別最小。
圖3：（藍色），2LPT（紅色）和c（紅色）（底部）的位移和密度功率譜;傳遞函數-即預測的功率譜與truth（中部）之比的平方根;以及1–r2，其中r是預測場與真場（頂部）之間的相關系數。結果是1,000個測試模擬的平均值。從大到中，D3M預測的傳遞函數和相關系數接近完美，顯著優于基準2LPT。（B）對于幾個三角形配置，兩個3PCF的多極系數（ζ1（r1，r2））（與目標）的百分比。結果在10次測試模擬中取平均值。偏差條（填充區域）是從10次測試模擬得出的SD。該百分比表明D3M的3PCF比她們的目標更接近2LPT，殘差更小。
圖4：上圖顯示當她們改變宇宙參數As和m時，粒子分布和位移場的差別。（A）偏差條顯示As=A0與As=0.2A0（中心）和As=1.8A0（右）之間的兩個極值之間的粒子分布（上）和位移場（下）之間的差別。（B）類似的比較，顯示m∈{0.1,0.5}的較小和較大值的粒子分布（上）和位移場（下）的差別，用于訓練的m=0.3089。其實較小的As（m）值的差別較大，但較大的As（m）的位移愈發非線性。這些非線性是由質量集中造成的，并使預測愈發困難。
圖5：與圖3A類似，不僅在不改變訓練集（具有不同的宇宙參數）或訓練模型的情況下，改變宇宙參數時，測試兩點統計量。當在不同的As（A）和Ωm（B）上測試時，顯示了來自D3M和2LPT的預測。她們展示了傳遞函數-即預測功率譜與truth（上）之比的平方根-和1-r2，其中r是預測場與真實場（下）之間的相關系數。不僅最大尺度，D3M預測在所有尺度上都優于2LPT預測，由于擾動理論在線性區域（大尺度）中工作良好。
AI將幫助人類更好的認識宇宙
不僅進一步展示黑匣子AI和深度學習的反復無常和不可預測的本質外，AI宇宙模擬器本身還有潛力幫助天體化學學家和研究人員彌補我們宇宙背后的一些空白。
我們的宇宙是一個奇怪的，幾乎是未知的地方。人類剛才開始將我們的視線投向可觀測空間之外，以確定宇宙之外是哪些，以及它是怎樣產生現今的樣子的。人工智能可以幫助我們確切地理解影響我們宇宙進化的數十億個變量是怎樣作用于星體、行星甚至生命本身的出現的。
該研究的源代碼：
形成訓練數據的代碼：
論文地址：
參考鏈接
