هوش مصنوعی \"سحر و جادو\" فقط یکی از بزرگترین موانع موجود در اخترفیزیک را از بین برد.

شکل۱. شبیه‌سازی فضا با وضوع مختلف
شکل۱. شبیه‌سازی فضا با وضوع مختلف
منتشر شده در scitechdaily به‌ تاریخ ۸ می، ۲۰۲۱
لینک منبع: AI “Magic” Just Removed One of the Biggest Roadblocks in Astrophysics

شبیه‌سازی منطقه‌ای از فضا ۱۰۰ میلیون مربع سال نوری. چپ‌ترین شبیه‌سازی با وضوح پایین اجرا شد. با استفاده از یادگیری ماشینی، محققان مدل low-res را افزایش دادند تا یک شبیه‌سازی با وضوح بالا ایجاد کنند (درست). این شبیه‌سازی همان جزئیات را به عنوان یک مدل مرسوم با وضوح بالا (میانی) می‌گیرد در حالی که به منابع محاسباتی بسیار کمتری نیاز دارد.

با استفاده از شبکه‌های عصبی، محقق موسسه فلاتیرون، یین لی و همکارانش، جهان‌های پیچیده و گسترده‌ای را در کسری از زمان لازم برای استفاده از روش‌های مرسوم شبیه‌سازی کردند.

با استفاده از کمی یادگیری ماشینی جادو، اختر فیزیکدانان می‌توانند دنیاهای وسیع و پیچیده را در هزارم زمانی که با روش‌های مرسوم طول می‌کشد شبیه‌سازی کنند. این رویکرد جدید به شروع یک دوره جدید در شبیه‌سازی‌های کیهان‌شناسی با وضوح بالا کمک خواهد کرد، سازندگان آن در یک مطالعه آنلاین منتشر شده در ۴ می ۲۰۲۱ اقدامات آکادمی ملی علوم را گزارش کردند.

در حال حاضر، محدودیت‌های زمان محاسبات به این معنی است که ما نمی‌توانیم جهان را هم با وضوح بالا و هم با حجم زیاد شبیه‌سازی کنیم. با تکنیک جدید ما، این امکان وجود دارد که هر دوی آن‌ها را به طور موثر داشته باشیم. در آینده، این روش‌های مبتنی بر هوش مصنوعی به یک هنجار برای برنامه‌های خاص تبدیل خواهند شد.

روش جدید توسعه‌یافته توسط لی و همکارانش، الگوریتم یادگیری ماشینی را با مدل‌های ناحیه کوچکی از فضا در هر دو قطعنامه کم و زیاد تغذیه می‌کند. الگوریتم یاد می‌گیرد که چگونه مدل‌های کم مقیاس را ارتقا دهد تا با جزئیات موجود در نسخه‌های بالا مطابقت داشته باشد. پس از آموزش، این کد می‌تواند مدل‌های کم حجم در مقیاس کامل را اتخاذ کند و شبیه‌سازی‌های «فوق تفکیک» را تولید کند که تا ۵۱۲ برابر تعداد ذرات را شامل می‌شود.

این روند شبیه گرفتن یک عکس تار و اضافه کردن جزئیات از دست رفته به آن است، که آن را شارپ و واضح می‌کند. این افزایش مقیاس باعث صرفه‌جویی قابل‌توجه در زمان می‌شود.

برای منطقه ای در جهان تقریباً 500 میلیون سال نوری که شامل 134 میلیون ذره است، روشهای موجود به 560 ساعت زمان نیاز دارد تا با استفاده از یک هسته پردازش واحد، یک شبیه سازی با رزولوشن بالا ایجاد کند.

با این رویکرد جدید، محققان تنها به ۳۶ دقیقه زمان نیاز دارند.

مطالعه مقاله تصاویر صوتی ناسا و نمایش چگونگی کهکشان‌ٰها و سیاه‌چاله‌ها توصیه می‌شود.

نتایج حتی زمانی که ذرات بیشتری به شبیه‌سازی اضافه شدند، چشمگیرتر بودند. برای یک جهان ۱۰۰۰ برابر بزرگ‌تر از ۱۳۴ میلیارد ذره، روش جدید محققان ۱۶ ساعت در یک واحد پردازش گرافیکی به طول انجامید. به گفته لی، روش‌های موجود آنقدر طول خواهند کشید که حتی بدون منابع ابرمحاسبات اختصاصی، آنها ارزش اجرا هم نخواهد داشت.

لی یک محقق مشترک در مرکز فیزیک محاسباتی و مرکز ریاضیات محاسباتی موسسه فلاتیرون است. او در تالیف این تحقیق با همکاری یوئینگ نی، روپرت کرافت و تیزیانا دی ماتتو از دانشگاه کارنگی ملون؛ سایمون برد از دانشگاه کالیفرنیا، ریورساید؛ و یو فنگ از دانشگاه کالیفرنیا، برکلی همکاری کرد.

شبیه‌سازی‌های کیهانی برای اخترفیزیک ضروری هستند. دانشمندان از شبیه‌سازی‌ها برای پیش‌بینی اینکه چگونه جهان در سناریوهای مختلف به نظر می‌رسد استفاده می‌کنند، مثلا اگر انرژی تاریک که جهان را از هم جدا می‌کند در طول زمان تغییر کند. سپس مشاهدات تلسکوپ می‌تواند تایید کند که آیا پیش‌بینی‌های شبیه‌سازی با واقعیت مطابقت دارد یا خیر. ایجاد پیش‌بینی‌های آزمایشی نیاز به اجرای هزاران بار شبیه‌سازی دارد، بنابراین مدل‌سازی سریع‌تر یک مزیت بزرگ برای این زمینه خواهد بود.

دی متیو می‌گوید: «کاهش زمان لازم برای اجرای شبیه‌سازی‌های کیهان‌شناسی، پتانسیل ارائه پیشرفت‌های عمده در کیهان‌شناسی عددی و اخترفیزیک را دارد.» شبیه‌سازی‌های کیهانی، تاریخ و سرنوشت جهان را دنبال می‌کنند و تا شکل‌گیری همه کهکشان‌ها و سیاه‌چاله‌ها پیش می‌روند.

ممکن است علاقمند به مطالعه مقاله ستاره‌شناسان «امن‌ترین مکان» برای زندگی در کهکشان راه شیری را پیدا کردند باشید.

تاکنون، شبیه‌سازی‌های جدید تنها ماده تاریک و نیروی جاذبه را در نظر می‌گیرند. در حالی که این ممکن است بیش از حد ساده به نظر برسد، گرانش در مقیاس بزرگ نیروی غالب جهان است و ماده تاریک 85 درصد از \"مواد\" موجود در جهان را تشکیل می دهد. ذرات موجود در شبیه‌سازی، ذرات ماده تاریک واقعی نیستند اما در عوض به عنوان ردیاب‌ها برای نشان دادن حرکت ذرات ماده تاریک در جهان مورد استفاده قرار می‌گیرند.

کد تیم از شبکه‌های عصبی برای پیش‌بینی چگونگی حرکت جاذبه ماده تاریک در طول زمان استفاده کرد. چنین شبکه‌هایی از داده‌های آموزشی استفاده می‌کنند و محاسبات را با استفاده از اطلاعات انجام می‌دهند. سپس نتایج با نتیجه مورد انتظار مقایسه می‌شوند. با آموزش بیشتر، شبکه‌ها سازگار و دقیق‌تر می‌شوند.

رویکرد خاص مورد استفاده توسط محققان، که یک شبکه رقیب زایشی نامیده می‌شود، دو شبکه عصبی را در مقابل یکدیگر قرار می‌دهد. یک شبکه، شبیه‌سازی‌های با وضوح پایین جهان را در نظر می‌گیرد و از آن‌ها برای تولید مدل‌های با وضوح بالا استفاده می‌کند. شبکه دیگر تلاش می‌کند تا این شبیه‌سازی‌ها را جدا از شبیه‌سازی‌های انجام‌شده توسط روش‌های مرسوم بیان کند. با گذشت زمان، هر دو شبکه عصبی بهتر و بهتر می‌شوند تا اینکه در نهایت، ژنراتور شبیه‌سازی برنده شده و شبیه‌سازی‌های سریعی ایجاد می‌کند که درست مانند شبیه‌سازی‌های مرسوم کند به نظر می‌رسند.

لی می‌گوید: ما نمی‌توانستیم آن را برای دو سال به کار بگیریم و ناگهان شروع به کار کرد. نتایج زیبایی به دست آوردیم که با آنچه انتظار داشتیم مطابقت داشت. حتی خودمان هم چند آزمایش کور انجام دادیم و بیشتر ما نمی‌توانستیم تشخیص دهیم که کدام یک «واقعی» است و کدام یک «تقلبی» است.

با وجود اینکه فقط با استفاده از فضاهای کوچک آموزش دیده اند، شبکه های عصبی ساختارهای مقیاس بزرگ را که فقط در شبیه سازی های عظیم ظاهر می شوند، با دقت تکرار می کنند.

با این حال، شبیه‌سازی‌ها همه چیز را ثبت نمی‌کنند. از آنجا که آن‌ها تنها بر روی ماده تاریک و جاذبه تمرکز می‌کنند، پدیده‌های کوچک‌مقیاس- مانند تشکیل ستاره، ابرنواخترها و اثرات سیاه‌چاله‌ها- کنار گذاشته می‌شوند. محققان در نظر دارند تا روش‌های خود را گسترش داده تا نیروهای مسئول برای چنین پدیده‌هایی را شامل شوند، و شبکه‌های عصبی خود یعنی «در حال پرواز» را در کنار شبیه‌سازی‌های مرسوم برای بهبود دقت اجرا کنند. لی می‌گوید: ما هنوز دقیقا نمی‌دانیم چطور این کار را انجام دهیم، اما در حال پیشرفت هستیم.

این متن با استفاده از ربات مترجم مقاله علم نجوم ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.
مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.