Один из лучших способов понять, как развивалась Вселенная, - разработать компьютерную модель этого процесса с использованием уже известных данных. Международная команда исследователей создала искусственный интеллект, который может быстро генерировать высокоточные трехмерные модели Вселенной, даже если задать в систему параметры, которым она не была обучена.

«Это как ввести в программу распознавания изображений картинки кошек и собак, а она научится узнавать слонов. Никто не знает, как она это делает; это великая загадка, которую нам еще предстоит решить», - рассказал один из участников исследования Ширли Хо.

Рекордная скорость

Симулятор Вселенной назвали D3M (от англ. Deep Density Displacement Model – модель смещения глубокой плотности). С помощью D3M ученые хотели узнать, как  гравитация формировала и формирует Вселенную. Для этого в симулятор с искусственным интеллектом (ИИ) ввели восемь тысяч различных гравитационных моделей, которые он создал раньше.

Обучение модели заняло более 300 часов, но после этого D3M выдала результат всего 30 миллисекунд. Это означает, что машина смогла создать 1000 симуляций менее чем за 20 секунд. 

В результате ученые получили модель кубической Вселенной  или, проще говоря, Вселенной в форме коробки, шириной 600 миллионов световых лет. Итог оказался гораздо точнее, чем у других «скоростных» симуляторов, которые тратили на работу по несколько минут. Погрешность составила всего 2,8%.

ИИ знает то, чего знать не должен

Еще одно из преимуществ D3M - способность с высокой точностью моделировать облик Вселенной даже тогда, когда ученые изменяют параметры, не входившие в первичный набор данных для обучения. Например, исследователи изменяют процент темной материи в своей Вселенной, и D3M в точности моделирует ее эволюцию. Получается, что симулятор Вселенной на базе ИИ знает о таких вещах, о которых знать не должен. Такая способность может помочь специалистам по вычислительной технике лучше понять искусственный интеллект.

«Наш проект может быть интересной игровой площадкой для специалистов по машинному обучению, с помощью которой они смогут понять, почему эта модель так хорошо экстраполирует, почему она выходит на слонов вместо того, чтобы просто узнавать кошек и собак. Это подчеркивает взаимосвязь между наукой и технологией глубокого обучения», - считает Ширли Хо.

Подробнее о первом симуляторе Вселенной на основе нейронной сети можно прочитать в статье, опубликованной в PNAS .