Mesterséges intelligenciával szimulálták az univerzumot, de még az alkotói sem értik, hogyan lehet ennyire pontos

A tudósok először használtak mesterséges intelligenciát (MI) az univerzum komplex, háromdimenziós szimulációinak elkészítéséhez. Mélysűrű...

A tudósok először használtak mesterséges intelligenciát (MI) az univerzum komplex, háromdimenziós szimulációinak elkészítéséhez. Mélysűrűség-elmozdulási modellnek vagy D³M-nek hívják, és olyan gyors és olyan pontos, hogy a tervező asztrofizikusok még azt sem tudják, hogyan csinálja.

Az MI pontosan azt szimulálja, ahogyan a gravitáció sok milliárd év alatt formálta az Univerzumot. Minden egyes szimuláció mindössze 30 milliszekundumot vesz igénybe, összehasonlítva más szimulációkkal, amelyek percekig tartanak.

És még ennél is lenyűgözőbb, hogy a D³M tanult abból a 8000 kiképző szimulációból, amit a csapat belé táplált - nagymértékben extrapolálva és felülmúlva őket, és képes volt módosítani azokat a paramétereket, amelyekre még nem volt kiképezve. (1)

"Ez olyan, mintha a képfelismerő szoftvert tanítanánk sok macska- és kutyaképpel, de képes lenne felismerni az elefántokat," - mondta Shirley Ho, a Flatiron Intézet és a Carnegie Mellon Egyetem asztrofizikusa.

"Senki sem tudja, hogyan csinálja ezt, és nagy rejtély, amelyet meg kell oldanunk."

A körülöttünk lévő világegyetem megfigyelései sok információval szolgálhatnak annak evolúciójáról, ám vannak korlátai, hogy mit láthatunk. Ezért lehet nagyon hasznos a szimuláció.

Az olyan szimulációk futtatásával, amelyek eredményeket hoznak, amelyek megegyeznek a megfigyeléseinkkel, valamint olyan szimulációkkal, amelyek nem felelnek meg, a tudósok kitalálhatják azokat a forgatókönyveket, amelyek valószínűleg létrehozták azt az univerzumot, amelyben élünk.

A világegyetem történetének bonyolultsága miatt az ilyen szimulációk számítástechnikai szempontból meglehetősen erőforrás igényesek, ami azt jelenti, hogy időre van szükség a futtatásukhoz. Egyetlen tanulmány több ezer szimulációt igényelhet ahhoz, hogy hasznos statisztikai adatokat lehessen kapni.

Itt jön be a képbe a D³M, amelyet számítógépes asztrofizikusok nemzetközi csapata fejlesztett ki. Azt számítja ki, hogy 13,8 milliárd év alatt (az univerzum kora) a gravitáció hogyan mozgatta a sok milliárd részecskét az űrben.

Ha ezt a részecskemozgást nem MI-alapú szoftverrel szimulálnánk, akkor akár 300 órát is igénybe vehet egy nagyon precíz szimuláció. Ugyanakkor pár perc alatt is elkészíthető, ám ennek a pontossága nagy mértékben romlani fog.

A probléma kiküszöbölése érdekében a kutatócsoport úgy döntött, hogy kifejleszt egy neurális hálózatot a szimulációk futtatására, és kiképzi a D³M-et azáltal, hogy 8000 különféle szimulációt táplálnak bele egy olyan modellből, amely a mai napig a legpontosabb.

Miután a D³M kiképzése befejeződött és az MI pontosan futott, készen állt egy próba szimluációra. A kutatók arra kérték, hogy szimuláljon egy olyan dobozban lévő univerzumot, amelynek körülbelül 600 millió fényév mindegyik oldala.

A végeredmény elbírálásához a csapat ugyanazt a szimulációt futtatta a kínosan lassú, száz órás, és a csupán néhány percig tartó módszerrel. A várakozásoknak megfelelően a lassú módszer produkálta a legpontosabb eredményt, míg a gyors módszer 9,3 százalék relatív hibát adott.

A D³M azonban valamennyi korábbi gyors módszert felülmúlta. A szimulációt mindössze 30 milliszekundum alatt hajtotta végre, és a lassú, de szuper pontos modellhez képest csak 2,8 százalék volt a relatív hibája.

Még ennél is lenyűgözőbb, hogy bár csak egy paraméterkészletre volt kiképzve, a neurális hálózat más paraméterek alapján megjósolta a szimulált univerzum struktúrájának kialakulását, amelyet még nem tanítottak meg neki - például ha a sötét anyag mennyisége változó volt.

Ez azt jelenti, hogy a mesterséges intelligencia nagy rugalmassággal rendelkezik, amely alkalmassá teszi számos szimulációs feladat elvégzésére - bár mielőtt ez megtörténik, a csapat reméli, hogy kitalálja, hogy pontosan hogyan sikerül megtennie azt, amit csinál.

"Érdekes lehet a gépi tanulással kacpsolatban annak kiderítése, hogy ez a modell miért extrapolálódik olyan jól, miért extrapolálódik az elefántokra, ahelyett, hogy felismerné a macskákat és a kutyákat," - mondta Ho.

"Ez egy kétirányú utca a tudomány és a mély gépi tanulás között." (2)

(1) - https://www.pnas.org/content/116/28/13825
(2) - https://www.simonsfoundation.org/2019/06/26/ai