• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Astronomie
    L'apprentissage automatique accélère les simulations cosmologiques

    La simulation la plus à gauche s'est déroulée en basse résolution. En utilisant l'apprentissage automatique, les chercheurs ont agrandi le modèle basse résolution pour créer une simulation haute résolution (à droite). Cette simulation capture les mêmes détails qu'un modèle haute résolution conventionnel (milieu) tout en nécessitant beaucoup moins de ressources de calcul. Crédit :Y. Li et al./Actes de la National Academy of Sciences 2021

    Un univers évolue sur des milliards et des milliards d'années, mais les chercheurs ont développé un moyen de créer un univers simulé complexe en moins d'une journée. La technique, publié dans cette semaine Actes de l'Académie nationale des sciences , rassemble l'apprentissage automatique, le calcul haute performance et l'astrophysique et contribuera à inaugurer une nouvelle ère de simulations de cosmologie à haute résolution.

    Les simulations cosmologiques sont essentielles pour percer les nombreux mystères de l'univers, y compris ceux de la matière noire et de l'énergie noire. Mais jusqu'à maintenant, les chercheurs ont été confrontés à l'énigme courante de ne pas pouvoir tout avoir - les simulations pourraient se concentrer sur une petite zone à haute résolution, ou ils pourraient englober un grand volume de l'univers à basse résolution.

    Tiziana Di Matteo et Rupert Croft, professeurs de physique à l'Université Carnegie Mellon, Chercheur du Flatiron Institute, Yin Li, Ph.D. Carnegie Mellon candidat Yueying Ni, Simeon Bird, professeur de physique et d'astronomie à l'Université de Californie à Riverside, et Yu Feng de l'Université de Californie à Berkeley ont surmonté ce problème en enseignant un algorithme d'apprentissage automatique basé sur des réseaux de neurones pour mettre à niveau une simulation de basse résolution à super résolution.

    « Les simulations cosmologiques doivent couvrir un volume important pour les études cosmologiques, tout en nécessitant également une haute résolution pour résoudre la physique de la formation des galaxies à petite échelle, ce qui entraînerait des défis informatiques de taille. Notre technique peut être utilisée comme un outil puissant et prometteur pour répondre à ces deux exigences simultanément en modélisant la physique de la formation des galaxies à petite échelle dans de grands volumes cosmologiques, " dit Ni, qui a effectué la formation du modèle, construit le pipeline pour les tests et la validation, analysé les données et fait la visualisation à partir des données.

    Le code entraîné peut prendre une pleine échelle, modèles basse résolution et générer des simulations de super-résolution contenant jusqu'à 512 fois plus de particules. Pour une région de l'univers d'environ 500 millions d'années-lumière contenant 134 millions de particules, les méthodes existantes nécessiteraient 560 heures pour produire une simulation haute résolution à l'aide d'un seul cœur de traitement. Avec la nouvelle approche, les chercheurs n'ont besoin que de 36 minutes.

    Les résultats étaient encore plus spectaculaires lorsque plus de particules étaient ajoutées à la simulation. Pour un univers 1, 000 fois plus gros avec 134 milliards de particules, la nouvelle méthode des chercheurs a pris 16 heures sur une seule unité de traitement graphique. En utilisant les méthodes actuelles, une simulation de cette taille et de cette résolution prendrait des mois à un superordinateur dédié.

    La réduction du temps nécessaire pour exécuter des simulations cosmologiques « a le potentiel d'apporter des avancées majeures en cosmologie numérique et en astrophysique, " a déclaré Di Matteo. " Les simulations cosmologiques suivent l'histoire et le destin de l'univers, jusqu'à la formation de toutes les galaxies et de leurs trous noirs."

    Les scientifiques utilisent des simulations cosmologiques pour prédire à quoi ressemblerait l'univers dans divers scénarios, comme si l'énergie noire séparant l'univers variait au fil du temps. Les observations au télescope confirment ensuite si les prédictions des simulations correspondent à la réalité.

    "Avec nos précédentes simulations, nous avons montré que nous pouvions simuler l'univers pour découvrir une physique nouvelle et intéressante, mais uniquement à des échelles petites ou basses résolutions, " a déclaré Croft. " En incorporant l'apprentissage automatique, la technologie est capable de rattraper nos idées."

    Di Matteo, Croft et Ni font partie de l'Institut de planification de la National Science Foundation (NSF) de Carnegie Mellon pour l'intelligence artificielle en physique, qui a soutenu ce travail, et des membres du McWilliams Center for Cosmology de Carnegie Mellon.

    "L'univers est le plus grand ensemble de données qui existe - l'intelligence artificielle est la clé pour comprendre l'univers et révéler une nouvelle physique, " a déclaré Scott Dodelson, professeur et chef du département de physique à l'Université Carnegie Mellon et directeur du NSF Planning Institute. "Cette recherche illustre comment le NSF Planning Institute for Artificial Intelligence fera progresser la physique grâce à l'intelligence artificielle, apprentissage automatique, statistiques et science des données."

    « Il est clair que l'IA a un effet important sur de nombreux domaines de la science, y compris la physique et l'astronomie, " dit James Shank, directeur de programme à la Division de physique de la NSF. "Notre programme de l'Institut de planification de l'IA s'efforce de pousser l'IA à accélérer la découverte. Ce nouveau résultat est un bon exemple de la façon dont l'IA transforme la cosmologie."

    Pour créer leur nouvelle méthode, Ni et Li ont exploité ces champs pour créer un code qui utilise des réseaux de neurones pour prédire comment la gravité déplace la matière noire au fil du temps. Les réseaux prennent des données d'entraînement, exécuter des calculs et comparer les résultats au résultat attendu. Avec une formation complémentaire, les réseaux s'adaptent et deviennent plus précis.

    L'approche spécifique utilisée par les chercheurs, appelé réseau accusatoire génératif, oppose deux réseaux de neurones. Un réseau prend des simulations à basse résolution de l'univers et les utilise pour générer des modèles à haute résolution. L'autre réseau essaie de différencier ces simulations de celles réalisées par des méthodes conventionnelles. Heures supplémentaires, les deux réseaux de neurones s'améliorent de plus en plus jusqu'à ce que, finalement, le générateur de simulation l'emporte et crée des simulations rapides qui ressemblent aux lentes conventionnelles.

    "Nous n'avons pas pu le faire fonctionner pendant deux ans, " Li a dit, « et tout d'un coup, ça a commencé à fonctionner. Nous avons obtenu de beaux résultats qui correspondaient à ce que nous attendions. Nous avons même fait des tests à l'aveugle nous-mêmes, et la plupart d'entre nous ne pouvaient pas dire lequel était « vrai » et lequel était « faux »."

    Bien qu'il n'ait été formé qu'en utilisant de petites zones d'espace, les réseaux de neurones ont reproduit avec précision les structures à grande échelle qui n'apparaissent que dans d'énormes simulations.

    Les simulations n'ont pas tout capturé, bien que. Parce qu'ils se sont concentrés sur la matière noire et la gravité, phénomènes à plus petite échelle, tels que la formation d'étoiles, les supernovae et les effets des trous noirs ont été laissés de côté. Les chercheurs envisagent d'étendre leurs méthodes pour inclure les forces responsables de tels phénomènes, et d'exécuter leurs réseaux de neurones « à la volée » parallèlement à des simulations conventionnelles pour améliorer la précision.


    © Science https://fr.scienceaq.com