Une comparaison de la précision de deux modèles de l'univers. Le nouveau modèle (à gauche), surnommé D 3 M, est à la fois plus rapide et plus précise qu'une méthode existante (à droite) appelée théorie des perturbations du second ordre, ou 2LPT. Les couleurs représentent l'erreur de déplacement moyenne en millions d'années-lumière pour chaque point de la grille par rapport à un modèle de haute précision (bien que beaucoup plus lent). Crédit :S. He et al./ Actes de l'Académie nationale des sciences 2019
Pour la première fois, les astrophysiciens ont utilisé des techniques d'intelligence artificielle pour générer des simulations 3D complexes de l'univers. Les résultats sont si rapides, précis et robuste que même les créateurs ne savent pas comment tout cela fonctionne.
"Nous pouvons exécuter ces simulations en quelques millisecondes, tandis que d'autres simulations "rapides" prennent quelques minutes, " déclare Shirley Ho, co-auteur de l'étude, un chef de groupe au Flatiron Institute's Center for Computational Astrophysics à New York et un professeur adjoint à l'Université Carnegie Mellon. "Non seulement que, mais nous sommes beaucoup plus précis."
La rapidité et la précision du projet, appelé le modèle de déplacement de densité profonde, ou D 3 M pour faire court, n'a pas été la plus grande surprise des chercheurs. Le vrai choc a été que D 3 M pourrait simuler avec précision à quoi ressemblerait l'univers si certains paramètres étaient modifiés, tels que la quantité de matière noire dans le cosmos, même si le modèle n'avait jamais reçu de données d'entraînement où ces paramètres variaient.
"C'est comme enseigner un logiciel de reconnaissance d'images avec beaucoup d'images de chats et de chiens, mais alors il est capable de reconnaître les éléphants, " explique Ho. " Personne ne sait comment il fait ça, et c'est un grand mystère à résoudre."
Ho et ses collègues présentent D 3 M 24 juin dans le Actes de l'Académie nationale des sciences . L'étude a été dirigée par Siyu He, un analyste de recherche du Flatiron Institute.
Ho et He ont travaillé en collaboration avec Yin Li du Berkeley Center for Cosmological Physics à l'Université de Californie, Berkeley, et l'Institut Kavli pour la physique et les mathématiques de l'univers près de Tokyo; Yu Feng du Berkeley Center for Cosmological Physics; Wei Chen de l'Institut Flatiron; Siamak Ravanbakhsh de l'Université de la Colombie-Britannique à Vancouver; et Barnabás Póczos de l'Université Carnegie Mellon.
Des simulations informatiques comme celles faites par D 3 M sont devenus indispensables à l'astrophysique théorique. Les scientifiques veulent savoir comment le cosmos pourrait évoluer selon divers scénarios, comme si l'énergie noire séparant l'univers variait au fil du temps. De telles études nécessitent l'exécution de milliers de simulations, faire d'un modèle informatique ultra-rapide et très précis l'un des objectifs majeurs de l'astrophysique moderne.
ré 3 M modélise la façon dont la gravité façonne l'univers. Les chercheurs ont choisi de se concentrer uniquement sur la gravité car c'est de loin la force la plus importante lorsqu'il s'agit de l'évolution à grande échelle du cosmos.
Les simulations d'univers les plus précises calculent comment la gravité déplace chacune des milliards de particules individuelles sur l'ensemble de l'âge de l'univers. Ce niveau de précision prend du temps, nécessitant environ 300 heures de calcul pour une simulation. Des méthodes plus rapides peuvent terminer les mêmes simulations en environ deux minutes, mais les raccourcis requis entraînent une précision moindre.
Ho, Lui et ses collègues ont perfectionné le réseau de neurones profonds qui alimente D 3 M en le nourrissant 8, 000 simulations différentes à partir de l'un des modèles les plus précis disponibles. Les réseaux de neurones récupèrent les données d'entraînement et effectuent des calculs sur les informations ; les chercheurs comparent ensuite le résultat obtenu avec le résultat attendu. Avec une formation complémentaire, les réseaux de neurones s'adaptent au fil du temps pour produire des résultats plus rapides et plus précis.
Après la formation D 3 M, les chercheurs ont effectué des simulations d'un univers en forme de boîte de 600 millions d'années-lumière de diamètre et ont comparé les résultats à ceux des modèles lents et rapides. Alors que l'approche lente mais précise prenait des centaines d'heures de calcul par simulation et que la méthode rapide existante prenait quelques minutes, ré 3 M pourrait terminer une simulation en seulement 30 millisecondes.
ré 3 M a également produit des résultats précis. Par rapport au modèle de haute précision, ré 3 M avait une erreur relative de 2,8 pour cent. En utilisant la même comparaison, le modèle rapide existant avait une erreur relative de 9,3 pour cent.
ré 3 La capacité remarquable de M à gérer les variations de paramètres non trouvées dans ses données d'entraînement en fait un outil particulièrement utile et flexible, Ho dit. En plus de modéliser d'autres forces, comme l'hydrodynamique, L'équipe de Ho espère en savoir plus sur le fonctionnement du modèle sous le capot. Cela pourrait apporter des avantages pour l'avancement de l'intelligence artificielle et de l'apprentissage automatique, Ho dit.
"Nous pouvons être un terrain de jeu intéressant pour un apprenant machine à utiliser pour voir pourquoi ce modèle extrapole si bien, pourquoi il extrapole aux éléphants au lieu de simplement reconnaître les chats et les chiens, " dit-elle. " C'est une rue à double sens entre la science et l'apprentissage en profondeur. "
