利用神經網絡，Flatiron研究所的研究員Yin Li和他的同事用傳統方法所需時間的一小部分模擬了龐大而復雜的宇宙。利用機器學習的魔力，天體物理學家現在可以在傳統方法所需時間的千分之一內模擬出龐大而復雜的宇宙。它的創造者在2021年5月4日在線發表於《美國國家科學院院刊》的一項研究中報告說，這種新方法將有助於開創高分辨率宇宙學模擬的新時代。

對1億光年方圓的空間區域進行的模擬。左邊的模擬以低分辨率運行。利用機器學習，研究人員擴大了低分辨率模型的規模，以創建一個高分辨率的模擬（右）。該模擬捕捉到的細節與傳統的高分辨率模型（中間）相同，而所需的計算資源卻大大減少。

“目前，計算時間的限制通常意味著我們不能同時以高分辨率和大體積來模擬宇宙，”研究的主要作者、紐約市Flatiron研究所的天體物理學家Yin Li說。”有了我們的新技術，就有可能有效地擁有這兩者。在未來，這些基於人工智能的方法將成為某些應用的規範。”

Li和他的同事開發的新方法為機器學習算法提供了低分辨率和高分辨率的空間小區域的模型。該算法學習如何提高低分辨率模型的比例，以匹配高分辨率版本中的細節。一旦經過訓練，該代碼可以採用全尺寸的低分辨率模型，並生成包含多達512倍粒度的”超級分辨率”模擬。這個過程類似於拍攝一張模糊的照片，然後把缺失的細節添加進去，使其變得清晰。

這種升級帶來了顯著的時間節省。對於宇宙中一個大約5億光年的區域，包含1.34億個粒子，現有的方法將需要560個小時來使用一個處理核心進行高清晰度的模擬。使用新方法，研究人員只需要36分鐘。

當更多的粒子被添加到模擬中時，結果甚至更加戲劇性。對於一個有1340億個粒子的1000倍大的宇宙，研究人員的新方法在單個圖形處理單元上需要16個小時。李說，現有的方法需要這麼長的時間，如果沒有專門的超級計算資源，它們甚至不值得運行。

宇宙學模擬對於天體物理學來說是不可或缺的。科學家們利用模擬來預測宇宙在各種情況下的樣子，例如，如果拉開宇宙的暗能量隨時間變化。然後通過望遠鏡觀察，可以確認模擬的預測是否符合現實。創建可測試的預測需要運行成千上萬次的模擬，因此更快的建模將是該領域的一大福音。

到目前為止，新的模擬只考慮了暗物質和引力的作用。雖然這可能看起來過於簡化，但到目前為止，引力是宇宙在大尺度上的主導力量，而暗物質構成了宇宙中所有”東西”的85%。模擬中的粒子並不是字面意義上的暗物質粒子，而是被用作追踪器，以顯示暗物質的碎片如何在宇宙中移動。

該團隊的代碼使用神經網絡來預測重力將如何隨著時間的推移移動暗物質。這種網絡攝取訓練數據並使用這些信息進行計算。然後將結果與預期的結果進行比較。隨著進一步的訓練，網絡適應並變得更加準確。

研究人員使用的具體方法被稱為生成式對抗網絡，讓兩個神經網絡互相對抗。一個網絡對宇宙進行低分辨率的模擬，並使用它們來生成高分辨率的模型。另一個網絡試圖將這些模擬與傳統方法製作的模擬區分開來。隨著時間的推移，兩個神經網絡都變得越來越好，直到最終，模擬生成器勝出，創造出快速的模擬，看起來就像緩慢的傳統模擬。

儘管只是使用小面積的空間進行訓練，但神經網絡準確地複制了只有在巨大的模擬中出現的大規模結構。

不過，這些模擬並沒有捕捉到一切。因為它們只關注暗物質和引力，較小規模的現象–如恆星形成、超新星和黑洞的影響–被排除在外。研究人員計劃擴展他們的方法，以包括負責此類現象的力量，並在常規模擬中”飛行”運行他們的神經網絡，以提高準確性。