AI空间模拟技术刚刚清除了天体物理学中最大的障碍之一

　　利用神经网络，Flatiron研究所的研究员Yin Li和他的同事用传统方法所需时间的一小部分模拟了庞大而复杂的宇宙。利用机器学习的魔力，天体物理学家现在可以在传统方法所需时间的千分之一内模拟出庞大而复杂的宇宙。它的创造者在2021年5月4日在线发表于《美国国家科学院院刊》的一项研究中报告说，这种新方法将有助于开创高分辨率宇宙学模拟的新时代。
　　对1亿光年方圆的空间区域进行的模拟。左边的模拟以低分辨率运行。利用机器学习，研究人员扩大了低分辨率模型的规模，以创建一个高分辨率的模拟（右）。该模拟捕捉到的细节与传统的高分辨率模型（中间）相同，而所需的计算资源却大大减少。
　　＂目前，计算时间的限制通常意味着我们不能同时以高分辨率和大体积来模拟宇宙，＂研究的主要作者、纽约市Flatiron研究所的天体物理学家Yin Li说。＂有了我们的新技术，就有可能有效地拥有这两者。在未来，这些基于人工智能的方法将成为某些应用的规范。＂
　　Li和他的同事开发的新方法为机器学习算法提供了低分辨率和高分辨率的空间小区域的模型。该算法学习如何提高低分辨率模型的比例，以匹配高分辨率版本中的细节。一旦经过训练，该代码可以采用全尺寸的低分辨率模型，并生成包含多达512倍粒度的 ＂超级分辨率＂模拟。这个过程类似于拍摄一张模糊的照片，然后把缺失的细节添加进去，使其变得清晰。
　　这种升级带来了显著的时间节省。对于宇宙中一个大约5亿光年的区域，包含1.34亿个粒子，现有的方法将需要560个小时来使用一个处理核心进行高清晰度的模拟。使用新方法，研究人员只需要36分钟。
　　当更多的粒子被添加到模拟中时，结果甚至更加戏剧性。对于一个有1340亿个粒子的1000倍大的宇宙，研究人员的新方法在单个图形处理单元上需要16个小时。李说，现有的方法需要这么长的时间，如果没有专门的超级计算资源，它们甚至不值得运行。
　　宇宙学模拟对于天体物理学来说是不可或缺的。科学家们利用模拟来预测宇宙在各种情况下的样子，例如，如果拉开宇宙的暗能量随时间变化。然后通过望远镜观察，可以确认模拟的预测是否符合现实。创建可测试的预测需要运行成千上万次的模拟，因此更快的建模将是该领域的一大福音。
　　到目前为止，新的模拟只考虑了暗物质和引力的作用。虽然这可能看起来过于简化，但到目前为止，引力是宇宙在大尺度上的主导力量，而暗物质构成了宇宙中所有 ＂东西 ＂的85%。模拟中的粒子并不是字面意义上的暗物质粒子，而是被用作追踪器，以显示暗物质的碎片如何在宇宙中移动。
　　该团队的代码使用神经网络来预测重力将如何随着时间的推移移动暗物质。这种网络摄取训练数据并使用这些信息进行计算。然后将结果与预期的结果进行比较。随着进一步的训练，网络适应并变得更加准确。
　　研究人员使用的具体方法被称为生成式对抗网络，让两个神经网络互相对抗。一个网络对宇宙进行低分辨率的模拟，并使用它们来生成高分辨率的模型。另一个网络试图将这些模拟与传统方法制作的模拟区分开来。随着时间的推移，两个神经网络都变得越来越好，直到最终，模拟生成器胜出，创造出快速的模拟，看起来就像缓慢的传统模拟。
　　尽管只是使用小面积的空间进行训练，但神经网络准确地复制了只有在巨大的模拟中出现的大规模结构。
　　不过，这些模拟并没有捕捉到一切。因为它们只关注暗物质和引力，较小规模的现象--如恒星形成、超新星和黑洞的影响--被排除在外。研究人员计划扩展他们的方法，以包括负责此类现象的力量，并在常规模拟中 ＂飞行 ＂运行他们的神经网络，以提高准确性。