"ในขณะนี้ ข้อ จำกัด ด้านเวลาในการคำนวณมักจะหมายความว่าเราไม่สามารถจำลองจักรวาลทั้งที่มีความละเอียดสูงและปริมาณมากได้" Yin Li ผู้เขียนนำการศึกษานักดาราศาสตร์ฟิสิกส์จาก Flatiron Institute ในนิวยอร์กซิตี้กล่าว "ด้วยเทคนิคใหม่ของเรา มันเป็นไปได้ที่จะมีทั้งอย่างมีประสิทธิภาพ ในอนาคต วิธีการที่ใช้ AI เหล่านี้จะกลายเป็นบรรทัดฐานสำหรับการใช้งานบางอย่าง"

วิธีการใหม่ที่พัฒนาโดย Li และเพื่อนร่วมงานของเขาป้อนอัลกอริธึมการเรียนรู้ด้วยเครื่องด้วยแบบจำลองพื้นที่ขนาดเล็กที่มีความละเอียดต่ำและสูง อัลกอริธึมเรียนรู้วิธีขยายโมเดลความละเอียดต่ำให้ตรงกับรายละเอียดที่พบในเวอร์ชันความละเอียดสูง เมื่อได้รับการฝึกอบรมแล้ว โค้ดสามารถใช้โมเดลความละเอียดต่ำเต็มรูปแบบ และสร้างการจำลอง "ความละเอียดสูงสุด" ที่มีอนุภาคมากถึง 512 เท่า

กระบวนการนี้คล้ายกับการถ่ายภาพพร่ามัวและเพิ่มรายละเอียดที่ขาดหายไปกลับเข้าไป ทำให้ภาพคมชัดและชัดเจน

การลดอัตราการสุ่มสัญญาณนี้ช่วยประหยัดเวลาได้อย่างมาก สำหรับพื้นที่ในจักรวาลประมาณ 500 ล้านปีแสงซึ่งมีอนุภาค 134 ล้านอนุภาค วิธีการที่มีอยู่จะต้องใช้เวลา 560 ชั่วโมงในการสร้างแบบจำลองที่มีความละเอียดสูงโดยใช้แกนประมวลผลเดียว ด้วยวิธีการใหม่นี้ นักวิจัยต้องใช้เวลาเพียง 36 นาที

ผลลัพธ์ที่ได้จะน่าทึ่งยิ่งขึ้นเมื่อมีการเพิ่มอนุภาคจำนวนมากขึ้นในการจำลอง สำหรับจักรวาลที่ใหญ่กว่า 1,000 เท่าด้วยอนุภาค 134 พันล้านครั้ง วิธีการใหม่ของนักวิจัยใช้เวลา 16 ชั่วโมงในหน่วยประมวลผลกราฟิกตัวเดียว วิธีการที่มีอยู่อาจใช้เวลานานจนไม่คุ้มค่าที่จะรันหากไม่มีทรัพยากรซูเปอร์คอมพิวเตอร์โดยเฉพาะ Li กล่าว

Li เป็นผู้ร่วมวิจัยร่วมที่ Center for Computational Astrophysics ของ Flatiron Institute และ Center for Computational Mathematics เขาร่วมเขียนการศึกษากับ Yueying Ni, Rupert Croft และ Tiziana Di Matteo จาก Carnegie Mellon University; Simeon Bird แห่งมหาวิทยาลัยแคลิฟอร์เนีย ริเวอร์ไซด์; และหยูเฟิงแห่งมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์

การจำลองทางจักรวาลวิทยาเป็นสิ่งที่ขาดไม่ได้สำหรับฟิสิกส์ดาราศาสตร์ นักวิทยาศาสตร์ใช้การจำลองเพื่อคาดการณ์ว่าเอกภพจะมีลักษณะอย่างไรในสถานการณ์ต่างๆ เช่น หากพลังงานมืดที่ดึงจักรวาลออกจากกันนั้นแปรผันตามกาลเวลา การสังเกตการณ์ด้วยกล้องโทรทรรศน์อาจยืนยันว่าการคาดการณ์ของการจำลองตรงกับความเป็นจริงหรือไม่ การสร้างการคาดการณ์ที่ทดสอบได้ต้องใช้การจำลองหลายพันครั้ง ดังนั้นการสร้างแบบจำลองที่เร็วขึ้นจึงเป็นประโยชน์อย่างมากสำหรับภาคสนาม

การลดเวลาที่ใช้ในการจำลองจักรวาล "ถือเป็นศักยภาพในการทำให้เกิดความก้าวหน้าที่สำคัญในด้านจักรวาลวิทยาเชิงตัวเลขและฟิสิกส์ดาราศาสตร์" Di Matteo กล่าว "การจำลองทางจักรวาลวิทยาเป็นไปตามประวัติศาสตร์และชะตากรรมของจักรวาล ไปจนถึงการก่อตัวของกาแลคซีทั้งหมดและหลุมดำของพวกมัน"

จนถึงตอนนี้ การจำลองใหม่พิจารณาเฉพาะสสารมืดและแรงโน้มถ่วงเท่านั้น แม้ว่าสิ่งนี้อาจดูเหมือนเป็นการอธิบายให้เข้าใจได้ง่ายเกินไป แต่ถึงกระนั้นแรงโน้มถ่วงก็เป็นแรงที่ครอบงำจักรวาลในระดับขนาดใหญ่ และสสารมืดคิดเป็นร้อยละ 85 ของ "สิ่งของ" ทั้งหมดในจักรวาล อนุภาคในการจำลองไม่ใช่อนุภาคสสารมืดตามตัวอักษร แต่ถูกใช้แทนเป็นตัวติดตามเพื่อแสดงว่าชิ้นส่วนของสสารมืดเคลื่อนที่ผ่านจักรวาลได้อย่างไร

รหัสของทีมใช้โครงข่ายประสาทเทียมเพื่อทำนายว่าแรงโน้มถ่วงจะเคลื่อนสสารมืดเมื่อเวลาผ่านไปอย่างไร เครือข่ายดังกล่าวนำเข้าข้อมูลการฝึกอบรมและดำเนินการคำนวณโดยใช้ข้อมูลดังกล่าว ผลลัพธ์จะถูกเปรียบเทียบกับผลลัพธ์ที่คาดหวัง ด้วยการฝึกอบรมเพิ่มเติม เครือข่ายจะปรับตัวและแม่นยำยิ่งขึ้น

วิธีการเฉพาะที่นักวิจัยใช้เรียกว่า generative adversarial network เชื่อมโครงข่ายประสาทเทียมสองเครือข่ายเข้าด้วยกัน เครือข่ายหนึ่งใช้การจำลองจักรวาลที่มีความละเอียดต่ำและใช้เพื่อสร้างแบบจำลองที่มีความละเอียดสูง เครือข่ายอื่นพยายามแยกการจำลองเหล่านั้นออกจากการจำลองด้วยวิธีทั่วไป เมื่อเวลาผ่านไป โครงข่ายประสาทเทียมทั้งสองจะดีขึ้นเรื่อย ๆ จนกระทั่งในที่สุด เครื่องกำเนิดการจำลองจะชนะและสร้างการจำลองที่รวดเร็วซึ่งดูเหมือนกับการจำลองแบบปกติที่ช้า

Li กล่าว "เราไม่สามารถทำให้มันใช้งานได้เป็นเวลาสองปี" Li กล่าว "และทันใดนั้นมันก็เริ่มทำงาน เราได้ผลลัพธ์ที่สวยงามตรงกับที่เราคาดไว้ เราทำการทดสอบแบบตาบอดด้วยตัวเองและพวกเราส่วนใหญ่ไม่สามารถบอกได้ อันไหนเป็น "ของจริง" และอันใด "ของปลอม""

แม้จะฝึกโดยใช้พื้นที่ขนาดเล็กเท่านั้น แต่โครงข่ายประสาทเทียมก็จำลองโครงสร้างขนาดใหญ่ได้อย่างแม่นยำซึ่งปรากฏในการจำลองขนาดมหึมาเท่านั้น

การจำลองไม่ได้จับทุกอย่างแม้ว่า เนื่องจากพวกมันมุ่งความสนใจไปที่สสารมืดและแรงโน้มถ่วงเท่านั้น ปรากฏการณ์ที่มีขนาดเล็กกว่า เช่น การก่อตัวดาวฤกษ์ ซุปเปอร์โนวา และผลกระทบของหลุมดำ นักวิจัยวางแผนที่จะขยายวิธีการของพวกเขาเพื่อรวมแรงที่รับผิดชอบต่อปรากฏการณ์ดังกล่าวและเรียกใช้โครงข่ายประสาทเทียม "ทันที" ควบคู่ไปกับการจำลองแบบเดิมเพื่อปรับปรุงความแม่นยำ "เรายังไม่รู้แน่ชัดว่าต้องทำอย่างไร แต่เรากำลังคืบหน้า" หลี่กล่าว