Il machine learning accelera le simulazioni cosmologiche

Redazione
machine learning, intelligenza artificiale

Il metodo, basato su intelligenza artificiale e machine learning, crea un universo simulato complesso in un giorno.


Un universo si evolve nel corso di miliardi e miliardi di anni, ma i ricercatori hanno sviluppato un metodo basato su intelligenza artificiale e machine learning per creare un universo simulato complesso in meno di un giorno. La tecnica, pubblicata negli Atti della National Academy of Sciences di questa settimana, riunisce apprendimento automatico, calcolo ad alte prestazioni e astrofisica e contribuirà a inaugurare una nuova era di simulazioni cosmologiche ad alta risoluzione.

Le simulazioni cosmologiche sono una parte essenziale per svelare i molti misteri dell’universo, compresi quelli della materia oscura e dell’energia oscura. Ma fino a ora, i ricercatori hanno affrontato l’enigma comune di non essere in grado di avere tutto – le simulazioni potevano concentrarsi su una piccola area ad alta risoluzione, oppure potevano comprendere un grande volume dell’universo a bassa risoluzione.

I professori e ricercatori di fisica della Carnegie Mellon, del Flatiron Institute Yin Li, dell’Università della California Riverside e dell’Università della California Berkeley hanno superato questo problema allenando un algoritmo di apprendimento automatico basato su reti neurali, intelligenza artificiale e machine learning per aggiornare una simulazione da bassa risoluzione a super risoluzione.

Le simulazioni cosmologiche devono coprire un grande volume per gli studi cosmologici, richiedendo anche un’alta risoluzione per risolvere la fisica della formazione di galassie su piccola scala, che incorrerebbe in sfide computazionali scoraggianti. La nostra tecnica può essere utilizzata come uno strumento potente e promettente per abbinare questi due requisiti simultaneamente modellando la fisica della formazione galattica su piccola scala in grandi volumi cosmologici“, ha detto Yueying Ni, che ha eseguito l’addestramento del modello, ha costruito la pipeline per il test e la convalida, ha analizzato i dati e ha effettuato la visualizzazione dai dati.

Il codice addestrato dal machine learning può prendere modelli a piena scala, a bassa risoluzione e generare simulazioni a super risoluzione che contengono fino a 512 volte il numero di particelle. Per una regione dell’universo di circa 500 milioni di anni luce di diametro contenente 134 milioni di particelle, i metodi esistenti richiederebbero 560 ore per produrre una simulazione ad alta risoluzione utilizzando un singolo nucleo di elaborazione. Con il nuovo approccio, i ricercatori hanno bisogno di soli 36 minuti.

I risultati sono stati ancora più interessanti quando sono state aggiunte più particelle alla simulazione. Per un universo 1.000 volte più grande con 134 miliardi di particelle, il nuovo metodo dei ricercatori ha impiegato 16 ore su una singola unità di elaborazione grafica. Utilizzando i metodi attuali, una simulazione di queste dimensioni e risoluzione richiederebbe mesi e un supercomputer dedicato.

Ridurre il tempo necessario per eseguire simulazioni cosmologiche “ha il potenziale di fornire importanti progressi nella cosmologia numerica e nell’astrofisica“, ha affermato Tiziana Di Matteo, professoressa di fisica della Carnegie Mellon University. “Le simulazioni cosmologiche seguono la storia e il destino dell’universo, fino alla formazione di tutte le galassie e dei loro buchi neri”.

Gli scienziati usano simulazioni cosmologiche per prevedere come apparirà l’universo in vari scenari, per esempio se l’energia oscura che separa l’universo variasse nel tempo. Le osservazioni del telescopio confermano quindi se le previsioni delle simulazioni corrispondono alla realtà.

Con le nostre simulazioni precedenti, abbiamo dimostrato che potevamo simulare l’universo per scoprire una fisica nuova e interessante, ma solo su scale piccole o a bassa risoluzione“, ha detto Rupert Croft. “Incorporando l’apprendimento automatico, la tecnologia è in grado di mettersi al passo con le nostre idee”.

Di Matteo, Croft e Ni fanno parte del Planning Institute for Artificial Intelligence in Physics della Carnegie Mellon’s National Science Foundation (NSF), che ha supportato questo lavoro, e sono membri del McWilliams Center for Cosmology della Carnegie Mellon.

L’universo è il più grande set di dati esistente: l’intelligenza artificiale è la chiave per comprendere l’universo e rivelare la nuova fisica“, ha affermato Scott Dodelson, professore e capo del dipartimento di fisica alla Carnegie Mellon University e direttore dell’NSF Planning Institute. “Questa ricerca illustra come l’NSF Planning Institute for Artificial Intelligence farà avanzare la fisica attraverso l’intelligenza artificiale, l’apprendimento automatico, la statistica e la scienza dei dati“.

È chiaro che l’intelligenza artificiale sta avendo un grande effetto su molte aree della scienza, tra cui fisica e astronomia“, ha detto James Shank, direttore del programma nella divisione di fisica della NSF. “Il nostro programma dell’Istituto di pianificazione dell’IA sta lavorando per spingere l’IA ad accelerare la scoperta. Questo nuovo risultato è un buon esempio di come l’IA sta trasformando la cosmologia“.

Per creare il loro nuovo metodo, Ni e Li hanno sfruttato questi campi per creare un codice che utilizza le reti neurali per prevedere come la gravità muove la materia oscura nel tempo. Le reti raccolgono dati di addestramento , eseguono calcoli e confrontano i risultati con il risultato atteso. Con ulteriore formazione, le reti si adattano e diventano più accurate.

L’approccio specifico utilizzato dai ricercatori, chiamato rete generativa avversaria, mette due reti neurali l’una contro l’altra. Una rete esegue simulazioni a bassa risoluzione dell’universo e le utilizza per generare modelli ad alta risoluzione. L’altra rete cerca di distinguere quelle simulazioni da quelle realizzate con metodi convenzionali. Nel tempo, entrambe le reti neurali migliorano sempre di più fino a quando, alla fine, il generatore di simulazione vince e crea simulazioni veloci che assomigliano a quelle convenzionali lente.

Nonostante siano state addestrate tramite machine learning utilizzando solo piccole aree di spazio, le reti neurali hanno replicato accuratamente le strutture su larga scala che appaiono solo in enormi simulazioni.

Le simulazioni non hanno catturato tutto, però. Poiché si sono concentrati sulla materia oscura e sulla gravità, i fenomeni su scala ridotta, come la formazione di stelle, le supernove e gli effetti dei buchi neri, sono stati esclusi. I ricercatori hanno in programma di estendere i loro metodi per includere le forze responsabili di tali fenomeni e di far funzionare le loro reti neurali insieme alle simulazioni convenzionali per migliorare la precisione.

AI WEEK 2021
Federico Morgantini Editore
QR Code