La IA De Vanguardia Aprende A Modelar Nuestro Universo

Diseño fractal abstracto

Los investigadores han creado con éxito un modelo del Universo utilizando inteligencia artificial, informa un nuevo estudio.

Los investigadores buscan comprender nuestro Universo haciendo predicciones de modelos que coincidan con las observaciones. Históricamente, han sido capaces de modelar sistemas físicos simples o muy simplificados, apodados en broma las “vacas esféricas”, con lápices y papel. Posteriormente, la llegada de las computadoras les permitió modelar fenómenos complejos con simulaciones numéricas. Por ejemplo, los investigadores han programado supercomputadoras para simular el movimiento de miles de millones de partículas a lo largo de miles de millones de años de tiempo cósmico, un procedimiento conocido como simulaciones de N-cuerpos, con el fin de estudiar cómo evolucionó el Universo hasta lo que observamos hoy.

“Ahora, con el aprendizaje automático, hemos desarrollado el primer modelo de red neuronal del Universo y hemos demostrado que hay una tercera ruta para hacer predicciones, una que combina los méritos del cálculo analítico y la simulación numérica”, dijo Yin Li, investigador postdoctoral en el Instituto Kavli de Física y Matemáticas del Universo, Universidad de Tokio, y conjuntamente el Universidad de California, Berkeley .

Dos modelos del universo

Una comparación de la precisión de dos modelos del Universo. El nuevo modelo de aprendizaje profundo (izquierda), denominado D3M, es mucho más preciso que un método analítico existente (derecha) llamado 2LPT. Los colores representan el error en el desplazamiento en cada punto en relación con la simulación numérica, que es precisa pero mucho más lenta que el modelo de aprendizaje profundo. Crédito: S. He et al./PNAS 2019

Al comienzo de nuestro Universo, las cosas eran extremadamente uniformes. Con el paso del tiempo, las partes más densas se hicieron más densas y las partes más dispersas se volvieron más escasas debido a la gravedad, formando finalmente una estructura similar a una espuma conocida como la “red cósmica”. Para estudiar este proceso de formación de estructuras, los investigadores han probado muchos métodos, incluidos cálculos analíticos y simulaciones numéricas. Los métodos analíticos son rápidos, pero no producen resultados precisos para grandes fluctuaciones de densidad. Por otro lado, los métodos numéricos (cuerpos N) simulan la formación de estructuras con precisión, pero rastrear miles de millones de partículas es costoso, incluso en supercomputadoras. Así, para modelar el Universo, los científicos a menudo se enfrentan a exactitud versus compensación de eficiencia.

Sin embargo, el crecimiento explosivo de los datos de observación en calidad y cantidad requiere métodos que se destaquen tanto en precisión como en eficiencia.

Para afrontar este desafío, un equipo de investigadores de EE. UU., Canadá y Japón, incluido Li, puso su mirada en el aprendizaje automático, un enfoque de vanguardia para detectar patrones y hacer predicciones. Así como el aprendizaje automático puede transformar el retrato de un joven en su yo mayor, Li y sus colegas preguntaron si también puede predecir cómo evolucionan los universos en función de sus primeras instantáneas. Entrenaron una red neuronal convolucional con datos de simulación de billones de años luz cúbicos en volumen y construyeron un modelo de aprendizaje profundo que fue capaz de imitar el proceso de formación de estructuras. El nuevo modelo no solo es muchas veces más preciso que los métodos analíticos, sino que también es mucho más eficiente que las simulaciones numéricas utilizadas para su entrenamiento.

“Tiene las ventajas de los métodos anteriores [de cálculo analítico y simulación numérica]”, dijo Li.

Li dice que el poder de la emulación de IA aumentará en el futuro. Las simulaciones de N-body ya están muy optimizadas y, como primer intento, el modelo de IA de su equipo todavía tiene un gran margen de mejora. Además, los fenómenos más complicados incurren en un mayor costo en la simulación, pero no es probable que sea así en la emulación. Li y sus colegas esperan una mayor ganancia de rendimiento de su emulador de IA cuando pasan a incluir otros efectos, como la hidrodinámica, en las simulaciones.

“No pasará mucho tiempo antes de que podamos descubrir las condiciones iniciales y la física codificada en nuestro Universo a lo largo de este camino”, dijo.

Este estudio fue publicado en las Actas de la Academia Nacional de Ciencias de los Estados Unidos de América el 24 de junio de 2019. DOI: 10.1073 / pnas.1821458116

Añadir un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *