Lompat ke konten Lompat ke sidebar Lompat ke footer

Teknik AI Membawa Era Baru Simulasi Resolusi Tinggi Alam Semesta

Menggunakan jaringan saraf, para peneliti sekarang dapat mensimulasikan alam semesta dalam waktu singkat, memajukan masa depan penelitian fisika.

Alam semesta berevolusi selama miliaran demi miliaran tahun, tetapi para peneliti telah mengembangkan cara untuk menciptakan alam semesta simulasi yang kompleks dalam waktu kurang dari sehari. Teknik ini, baru-baru ini diterbitkan dalam jurnal Proceedings of the National Academy of Sciences , menyatukan pembelajaran mesin, komputasi kinerja tinggi, dan astrofisika dan akan membantu mengantarkan era baru simulasi kosmologi resolusi tinggi.

IMAGES
Gambar: a-static.besthdwallpaper.com

Simulasi kosmologis adalah bagian penting untuk mengungkap banyak misteri alam semesta, termasuk materi gelap dan energi gelap. Tetapi sampai sekarang, para peneliti menghadapi teka-teki umum karena tidak dapat memiliki semuanya - simulasi dapat fokus pada area kecil pada resolusi tinggi, atau mereka dapat mencakup volume besar alam semesta pada resolusi rendah.

Profesor Fisika Universitas Carnegie Mellon Tiziana Di Matteo dan Rupert Croft, Rekan Peneliti Flatiron Institute Yin Li, Carnegie Mellon Ph.D. kandidat Yueying Ni, Profesor Fisika dan Astronomi Tepi Sungai Universitas California Simeon Bird dan Yu Feng dari Universitas California Berkeley mengatasi masalah ini dengan mengajarkan algoritme pembelajaran mesin berdasarkan jaringan saraf untuk meningkatkan simulasi dari resolusi rendah ke resolusi super.

“Simulasi kosmologis perlu mencakup volume besar untuk studi kosmologis, sementara juga membutuhkan resolusi tinggi untuk menyelesaikan fisika pembentukan galaksi skala kecil, yang akan menimbulkan tantangan komputasi yang menakutkan. Teknik kami dapat digunakan sebagai alat yang kuat dan menjanjikan untuk mencocokkan kedua persyaratan tersebut secara bersamaan dengan memodelkan fisika pembentukan galaksi skala kecil dalam volume kosmologis yang besar, ”kata Ni, yang melakukan pelatihan model, membangun pipa untuk pengujian dan validasi. , menganalisis data dan membuat visualisasi dari data tersebut.

Kode terlatih dapat mengambil model resolusi rendah skala penuh dan menghasilkan simulasi resolusi super yang mengandung partikel hingga 512 kali lebih banyak. Untuk wilayah di alam semesta dengan luas sekitar 500 juta tahun cahaya yang mengandung 134 juta partikel, metode yang ada akan membutuhkan 560 jam untuk menghasilkan simulasi resolusi tinggi menggunakan inti pemrosesan tunggal. Dengan pendekatan baru, para peneliti hanya membutuhkan waktu 36 menit.

Hasilnya bahkan lebih dramatis ketika lebih banyak partikel ditambahkan ke simulasi. Untuk alam semesta 1.000 kali lebih besar dengan 134 miliar partikel, metode baru para peneliti membutuhkan waktu 16 jam pada satu unit pemrosesan grafis. Dengan menggunakan metode saat ini, simulasi ukuran dan resolusi ini akan membutuhkan waktu berbulan-bulan untuk menyelesaikan superkomputer khusus.

Mengurangi waktu yang dibutuhkan untuk menjalankan simulasi kosmologi “memiliki potensi untuk memberikan kemajuan besar dalam kosmologi numerik dan astrofisika,” kata Di Matteo. “Simulasi kosmologis mengikuti sejarah dan nasib alam semesta, hingga pembentukan semua galaksi dan lubang hitamnya.”

Para ilmuwan menggunakan simulasi kosmologis untuk memprediksi bagaimana alam semesta akan terlihat dalam berbagai skenario, seperti jika energi gelap yang memisahkan alam semesta bervariasi dari waktu ke waktu. Pengamatan teleskop kemudian mengkonfirmasi apakah prediksi simulasi cocok dengan kenyataan.

“Dengan simulasi kami sebelumnya, kami menunjukkan bahwa kami dapat mensimulasikan alam semesta untuk menemukan fisika baru dan menarik, tetapi hanya pada skala kecil atau resolusi rendah,” kata Croft. “Dengan menggabungkan pembelajaran mesin, teknologi ini mampu mengejar ide-ide kami.”

Di Matteo, Croft, dan Ni adalah bagian dari Institut Perencanaan Kecerdasan Buatan dalam Fisika Yayasan Sains Nasional (NSF) Carnegie Mellon, yang mendukung pekerjaan ini, dan anggota Pusat Kosmologi McWilliams Carnegie Mellon.

“Alam semesta adalah kumpulan data terbesar yang ada – kecerdasan buatan adalah kunci untuk memahami alam semesta dan mengungkap fisika baru,” kata Scott Dodelson, profesor dan kepala departemen fisika di Universitas Carnegie Mellon dan direktur Institut Perencanaan NSF. “Penelitian ini menggambarkan bagaimana NSF Planning Institute for Artificial Intelligence akan memajukan fisika melalui kecerdasan buatan, pembelajaran mesin, statistik, dan ilmu data.”

“Jelas bahwa AI memiliki efek besar pada banyak bidang sains, termasuk fisika dan astronomi,” kata James Shank, direktur program di Divisi Fisika NSF. “Program AI Planning Institute kami bekerja untuk mendorong AI untuk mempercepat penemuan. Hasil baru ini adalah contoh bagus tentang bagaimana AI mengubah kosmologi.”

Untuk membuat metode baru mereka, Ni dan Li memanfaatkan bidang ini untuk membuat kode yang menggunakan jaringan saraf untuk memprediksi bagaimana gravitasi menggerakkan materi gelap dari waktu ke waktu. Jaringan mengambil data pelatihan, menjalankan perhitungan dan membandingkan hasilnya dengan hasil yang diharapkan. Dengan pelatihan lebih lanjut, jaringan beradaptasi dan menjadi lebih akurat.

Pendekatan khusus yang digunakan oleh para peneliti, yang disebut jaringan permusuhan generatif, mengadu dua jaringan saraf satu sama lain. Satu jaringan mengambil simulasi resolusi rendah dari alam semesta dan menggunakannya untuk menghasilkan model resolusi tinggi. Jaringan lain mencoba membedakan simulasi tersebut dari simulasi yang dibuat dengan metode konvensional. Seiring waktu, kedua jaringan saraf menjadi lebih baik dan lebih baik sampai, pada akhirnya, generator simulasi menang dan menciptakan simulasi cepat yang terlihat seperti yang konvensional lambat.

“Kami tidak bisa membuatnya bekerja selama dua tahun,” kata Li, “dan tiba-tiba itu mulai bekerja. Kami mendapatkan hasil yang indah yang sesuai dengan apa yang kami harapkan. Kami bahkan melakukan beberapa tes buta sendiri, dan kebanyakan dari kami tidak dapat membedakan mana yang 'nyata' dan mana yang 'palsu.'”

Meskipun hanya dilatih menggunakan area ruang kecil, jaringan saraf secara akurat mereplikasi struktur skala besar yang hanya muncul dalam simulasi besar.

Namun, simulasi tidak menangkap semuanya. Karena mereka berfokus pada materi gelap dan gravitasi, fenomena skala kecil — seperti pembentukan bintang, supernova, dan efek lubang hitam — ditinggalkan. Para peneliti berencana untuk memperluas metode mereka untuk memasukkan kekuatan yang bertanggung jawab atas fenomena tersebut, dan untuk menjalankan jaringan saraf mereka 'on the fly' di samping simulasi konvensional untuk meningkatkan akurasi.
Powered By NagaNews.Net