CMU和UC Berkeley等機構的研究人員推出了全球首個AI宇宙三維模擬器，可在幾毫秒內完成模擬，而且更加準確。更讓人震驚的是在調整參數后，無需調參訓練仍能準確模擬宇宙！“就像使用貓狗圖片訓練識別軟件，最終能識別大象”一樣讓人震驚。

最近，一組來自CMU和UC Berkeley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。這個模擬器不僅速度快而且精度高，調參后無需訓練仍能準確模擬，甚至連它的創造者都不知道它是如何做到的。

宇宙中暗物質的數量都能計算

幾十年來，科學家們一直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化進行逆向工程。使用現代技術的最佳的傳統方法需要幾分鐘時間來產生良好的結果。現在，這個全球首個AI宇宙模擬器在幾毫秒內，就能產生更高精度的結果。

論文中提到：“在這里，我們建立了一個深層的神經網絡來預測宇宙的結構形成。它優于傳統的快速分析近似法，并且可以在訓練數據之外精確地進行外推。”

也就是說，它不僅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化——它還為它沒有訓練過的變量產生了精確的結果。例如，它報告的一個讓科學家們驚訝的特殊參數是，宇宙中暗物質的數量。

研究小組沒有根據暗物質含量不同的數據來訓練這個名為“深密度位移模型”（D3M）的系統，然而AI（根據研究，精確地）根據它所訓練的數據的推論改變了這些值。

正如論文的合著者Shirley Ho所言：“這就像用大量的貓狗圖片教圖像識別軟件一樣，但隨后軟件能夠識別大象。沒有人知道它是如何做到的，這是一個很費解的謎。”

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物理學的必要條件。科學家們想知道宇宙在不同的情況下是如何演化的，例如，比如暗能量將宇宙拉離的時間是不同的。這些研究需要進行數千次模擬，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物理學的主要目標之一。

D3M模擬引力如何塑造宇宙。研究人員選擇僅關注引力，因為它是迄今為止宇宙大規模演化中最重要的力量。

最精確的宇宙模擬計算了引力如何在宇宙的整個生命中移動數十億個單個粒子。這種精度需要時間，一次模擬需要大約300個計算小時。更快的方法可以在兩分鐘內完成相同的模擬，但代價就是精度會降低。

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使用的深度神經網絡。神經網絡獲取訓練數據并對數據進行計算;然后研究人員將結果與預期結果進行比較。通過進一步訓練，神經網絡會隨著時間的推移而適應，從而產生更快、更準確的結果。

在訓練D3M之后，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。慢速但準確的方法每次模擬需要數百小時的計算時間，而現有的快速方法需要幾分鐘，但D3M可以在30毫秒內完成模擬。

D3M也能產生準確的結果。與高精度模型相比，D3M的相對誤差為2.8%。使用相同的比較，現有的快速模型的相對誤差為9.3%。

研究人員表示，D3M在處理訓練數據中未發現的參數變化方面具有非凡的能力，這使得它成為一個特別有用和靈活的工具。除了模擬其他力，如流體動力學，研究團隊希望了解更多關于模型是如何運作的。

圖1：由D3M產生的位移矢量場（左）和由此產生的密度場（右）。

圖2：各列通過各種模型顯示了完整粒子分布（上）和位移矢量（下）的2D切片：FastPM，目標ground truth，基于PM解算器（A）的近似N體模擬方案；ZA，沿初始速度矢量（B）演化粒子的簡單線性模型；2LPT，常用的分析近似（C）和本文的深度學習模型D3M（D）。雖然FastPM（A）是研究團隊的ground truth，B-D包括點或向量的顏色。顏色表示目標位置（A）或位移矢量與各種方法（B-D）預測分布之間的相對差異（qmodel?qtarget）/qtarget。誤差條表明，密度較大的區域所有方法都有較大的誤差，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。他們的D3M模型在上述B-D模型中預測和ground truth之間的差異最小。

圖3：FastPM（橙色），2LPT（藍色）和c（綠色）（頂部）的位移和密度功率譜; 傳遞函數 - 即預測的功率譜與ground truth（中部）之比的平方根; 以及1–r 2，其中r是預測場與真場（底部）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，明顯優于基準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）的比率。結果在10次測試模擬中取平均值。誤差條（填充區域）是從10次測試模擬得出的SD。該比率表明D3M的3PCF比他們的目標FastPM更接近2LPT，方差更小。

圖4：上圖顯示當他們改變宇宙參數As和?m時，粒子分布和位移場的差異。（A）誤差條顯示As= A0與As= 0.2 A0（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）之間的差異。（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）的差異，用于訓練的?m= 0.3089。雖然較小的As（?m）值的差異較大，但較大的As（?m）的位移更加非線性。這種非線性是由質量集中引起的，并使預測更加困難。

圖5：與圖3A類似，除了在不改變訓練集（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。他們展示了傳遞函數 - 即預測功率譜與ground truth（上）之比的平方根 - 和1-r 2，其中r是預測場與真實場（下）之間的相關系數。除了最大尺度，D3M預測在所有尺度上都優于2LPT預測，因為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

除了進一步展示黑匣子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物理學家和研究人員填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。人類剛剛開始將我們的視線投向可觀測空間之外，以確定宇宙之外是什么，以及它是如何形成現在的樣子的。人工智能可以幫助我們準確地理解影響我們宇宙進化的數十億個變量是如何作用于恒星、行星甚至生命本身的出現的。

該研究的源代碼：

https://github.com/siyucosmo/ML-Recon

產生訓練數據的代碼：

https://github.com/rainwoodman/fastpm