利用神經網絡，研究人員現在可以在一小部分時間內模擬宇宙，這大大推動了物理學研究的發展。一個宇宙經過數十億年的演變，但研究人員已經開發出一種方法，可以在不到一天的時間內創建一個復雜的模擬宇宙。最近發表在《美國國家科學院院刊》上的這項技術將機器學習、高性能計算和天體物理學結合在一起，將有助于開創一個高分辨率宇宙學模擬的新紀元 。

宇宙學模擬是揭開宇宙眾多奧秘的一個重要部分，包括暗物質和暗能量的奧秘。但是直到現在，研究人員還面臨著魚和熊掌的難題，那就是如何實現可以在高分辨率下專注于一個小區域的模擬，也可以在低分辨率下囊括大片宇宙。

卡內基梅隆大學物理學教授Tiziana Di Matteo和Rupert Croft、Flatiron研究所研究員Yin Li、卡內基梅隆大學博士生Yueying Ni、加州大學河濱分校物理學和天文學教授Simeon Bird和加州大學伯克利分校的Yu Feng通過教授一種基于神經網絡的機器學習算法，將模擬從低分辨率升級到超分辨率，克服了這個問題。

"宇宙學模擬需要覆蓋大體積的宇宙學研究，同時也需要高分辨率來解決小尺度星系形成的物理問題，這將招致艱巨的計算挑戰。我們的技術可以作為一個強大而有前途的工具，通過對大宇宙學體積中的小尺度星系形成物理進行建模，來同時滿足這兩個要求。"倪說，他進行了模型的訓練，建立了測試和驗證的管道，分析了數據并根據數據制作了可視化。

訓練后的代碼可以采用全尺寸的低分辨率模型，并生成包含多達512倍顆粒的超分辨率模擬。對于宇宙中一個大約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攪動出一個高分辨率的模型，而使用新的方法，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。對于一個有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。使用傳統的方法，完成這種規模和分辨率的模擬將需要一臺專門的超級計算機來完成。

科學家們使用宇宙學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，然后通過望遠鏡觀測確認模擬的預測是否符合現實。

"宇宙是最大的數據集--人工智能是理解宇宙和揭示新物理學的關鍵，"卡內基梅隆大學物理系教授兼主任、國家科學基金會規劃研究所所長斯科特-多德爾森說。"這項研究說明了國家科學基金會人工智能規劃研究所將如何通過人工智能、機器學習、統計學和數據科學推動物理學的發展。"

"很明顯，人工智能正在對許多科學領域產生巨大的影響，包括物理學和天文學，"NSF物理學部的項目主任James Shank說。 "我們的人工智能規劃研究所項目正在努力推動人工智能加速發現。這項新成果是人工智能如何改變宇宙學的一個很好的例子。"

Ni和Li利用這些領域創建了一套代碼，使用神經網絡來預測引力如何在一段時間內移動暗物質。這些網絡接受訓練數據，運行計算，并將結果與預期結果進行比較。隨著進一步的訓練，網絡適應并變得更加準確。

研究人員使用的具體方法，被稱為生成對抗網絡，讓兩個神經網絡相互對抗。一個網絡對宇宙進行低分辨率的模擬，并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制作的模擬區分開來。隨著時間的推移，兩個神經網絡都變得越來越好，直到最終，模擬生成器勝出并創造出快速模擬的能力。

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

不過，這些模擬并沒有捕捉到一切。因為他們專注于暗物質和引力，較小規模的現象--如恒星形成、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，并在常規模擬中加載他們的神經網絡，以提高準確性。