با استفاده از جادوی کوچک یادگیری ماشین، دانشمندان اکنون میتوانند جهانهای وسیع و پیچیده را در یک هزارم زمانی که روشهای مرسوم طول میکشد، مدلسازی کنند. رویکرد جدید به آغاز دوره جدیدی از شبیهسازیهای کیهانی با وضوح بالا کمک میکند.
روش جدید که توسط یین لی، اخترفیزیکدان موسسه Flatiron در نیویورک و همکارانش توسعه یافته است، یک الگوریتم یادگیری ماشینی را با مدلهای با وضوح پایین و با وضوح بالا از یک منطقه کوچک از فضا ارائه میکند. این الگوریتم نحوه مقیاس بندی مدل های با وضوح پایین را برای مطابقت با جزئیات موجود در نسخه های با وضوح بالا آموزش می دهد. پس از آموزش، کد میتواند مدلهای با وضوح پایین و در مقیاس کامل را بگیرد و شبیهسازیهایی با وضوح فوقالعاده بالا ایجاد کند که حاوی 512 برابر ذرات بیشتر است.
این مقیاس بندی باعث صرفه جویی قابل توجهی در زمان می شود. برای منطقه ای از کیهان با وسعت تقریباً 500 میلیون سال نوری، که حاوی 134 میلیون ذره است، روش های موجود برای تکمیل یک شبیه سازی با وضوح بالا با استفاده از یک هسته پردازشی 560 ساعت طول می کشد. دانشمندان می گویند که با رویکرد جدید، تنها 36 دقیقه طول می کشد. هنگامی که ذرات بیشتری به شبیه سازی اضافه شد، نتایج حتی چشمگیرتر بود. برای جهان که 1000 برابر بزرگتر است و حاوی 134 میلیارد ذره است، روش جدید محققان 16 ساعت در یک GPU طول کشید.
همچنین جالب:
- اولین ذرات در جهان دوباره خلق شده اند. هشدار اسپویلر: آنها عجیب به نظر می رسند
- یک مطالعه جدید تردیدهایی را در مورد ترکیب 70 درصد جهان ما ایجاد می کند
به گفته کارشناسان، کاهش زمان مورد نیاز برای انجام شبیهسازی کیهانشناسی «میتواند پیشرفت چشمگیری در کیهانشناسی عددی و اخترفیزیک را تضمین کند. شبیهسازیهای کیهانشناسی تاریخ جهان را به شکلگیری همه کهکشانها و سیاهچالههای آنها ردیابی میکنند."
تاکنون مدل های جدید فقط ماده تاریک و گرانش را در نظر می گیرند. در حالی که ممکن است این یک ساده سازی بیش از حد به نظر برسد، گرانش قطعاً نیروی غالب در جهان در مقیاس بزرگ است و ماده تاریک 85٪ از کل "ماده" در کیهان را تشکیل می دهد. ذرات موجود در شبیه سازی به معنای واقعی کلمه ذرات ماده تاریک نیستند، بلکه به عنوان ردیاب برای نشان دادن چگونگی حرکت ذرات ماده تاریک در جهان استفاده می شوند.
این شبیهسازی همه چیز را به تصویر نمیکشد، زیرا فقط بر ماده تاریک و گرانش تمرکز میکند، پدیدههای در مقیاس کوچک مانند تشکیل ستارهها، ابرنواخترها و اثرات سیاهچالهها در نظر گرفته نمیشوند. محققان قصد دارند روشهای خود را گسترش دهند تا نیروهای مسئول چنین پدیدههایی را در بر گیرند و شبکههای عصبی خود را در کنار شبیهسازیهای مرسوم برای بهبود دقت اجرا کنند.
همچنین بخوانید: