Con inteligencia artificial simulan universos complejos en una fracción del tiempo que se tarda con métodos convencionales

Usando un poco de magia de aprendizaje automático, los astrofísicos ahora pueden simular universos vastos y complejos en una milésima parte del tiempo que lleva con los métodos convencionales.

El nuevo enfoque ayudará a marcar el comienzo de una nueva era en las simulaciones cosmológicas de alta resolución, informan sus creadores en un estudio publicado en Proceedings of the National Academy of Sciences.

“Por el momento, las limitaciones en el tiempo de cálculo generalmente significan que no podemos simular el universo tanto en alta resolución como en gran volumen“, dice el autor principal del estudio, Yin Li, astrofísico del Instituto Flatiron en la ciudad de Nueva York.

“Con nuestra nueva técnica, es posible tener ambos de manera eficiente.

En el futuro, estos métodos basados ​​en IA se convertirán en la norma para ciertas aplicaciones”.

El nuevo método desarrollado por Li y sus colegas alimenta un algoritmo de aprendizaje automático con modelos de una pequeña región del espacio a baja y alta resolución.

El algoritmo aprende cómo mejorar la escala de los modelos de baja resolución para que coincidan con el detalle que se encuentra en las versiones de alta resolución.

Una vez entrenado, el código puede tomar modelos de baja resolución a gran escala y generar simulaciones de ‘superresolución’ que contienen hasta 512 veces más partículas.

El proceso es similar a tomar una fotografía borrosa y volver a agregar los detalles que faltan, haciéndola nítida y clara.

Esta ampliación genera un ahorro de tiempo significativo.

Para una región del universo de aproximadamente 500 millones de años luz de diámetro que contiene 134 millones de partículas, los métodos existentes requerirían 560 horas para producir una simulación de alta resolución utilizando un solo núcleo de procesamiento.

Con el nuevo enfoque, los investigadores solo necesitan 36 minutos.

Los resultados fueron aún más dramáticos cuando se agregaron más partículas a la simulación.

Para un universo 1,000 veces más grande con 134 mil millones de partículas, el nuevo método de los investigadores tomó 16 horas en una sola unidad de procesamiento de gráficos.

Los métodos existentes llevarían tanto tiempo que ni siquiera valdría la pena ejecutarlos sin recursos de supercomputación dedicados, dice Li.

Li es investigadora conjunta en el Centro de Astrofísica Computacional y el Centro de Matemática Computacional del Instituto Flatiron.

Fue coautor del estudio con Yueying Ni, Rupert Croft y Tiziana Di Matteo de la Universidad Carnegie Mellon; Simeon Bird de la Universidad de California, Riverside; y Yu Feng de la Universidad de California, Berkeley.

Las simulaciones cosmológicas son indispensables para la astrofísica.

Los científicos usan las simulaciones para predecir cómo se vería el universo en varios escenarios, como si la energía oscura que separa el universo variara con el tiempo.

Las observaciones del telescopio pueden confirmar entonces si las predicciones de las simulaciones coinciden con la realidad.

La creación de predicciones comprobables requiere la ejecución de simulaciones miles de veces, por lo que un modelado más rápido sería una gran ayuda para el campo.

Reducir el tiempo que lleva ejecutar simulaciones cosmológicas “tiene el potencial de proporcionar importantes avances en cosmología numérica y astrofísica“, dice Di Matteo.

“Las simulaciones cosmológicas siguen la historia y el destino del universo, hasta la formación de todas las galaxias y sus agujeros negros“.

Hasta ahora, las nuevas simulaciones solo consideran la materia oscura y la fuerza de gravedad.

Si bien esto puede parecer una simplificación excesiva, la gravedad es, con mucho, la fuerza dominante del universo a gran escala, y la materia oscura constituye el 85 por ciento de todas las “cosas” del cosmos.

Las partículas de la simulación no son literalmente partículas de materia oscura, sino que se utilizan como rastreadores para mostrar cómo se mueven los trozos de materia oscura a través del universo.

El código del equipo utilizó redes neuronales para predecir cómo la gravedad movería la materia oscura con el tiempo.

Dichas redes ingieren datos de entrenamiento y ejecutan cálculos utilizando la información.

Luego, los resultados se comparan con el resultado esperado.

Con más entrenamiento, las redes se adaptan y se vuelven más precisas.

El enfoque específico utilizado por los investigadores, llamado red generativa adversaria, enfrenta a dos redes neuronales entre sí.

Una red toma simulaciones de baja resolución del universo y las usa para generar modelos de alta resolución.

La otra red intenta diferenciar esas simulaciones de las realizadas por métodos convencionales.

Con el tiempo, ambas redes neuronales mejoran cada vez más hasta que, en última instancia, el generador de simulación gana y crea simulaciones rápidas que se parecen a las lentas convencionales.

“No pudimos hacerlo funcionar durante dos años“, dice Li, “y de repente comenzó a funcionar.

Obtuvimos resultados hermosos que coincidieron con lo que esperábamos.

Incluso hicimos algunas pruebas a ciegas nosotros mismos, y la mayoría de nosotros no sabíamos cuál era ‘real’ y cuál era ‘falso’ “.

A pesar de que solo se entrenaron utilizando pequeñas áreas del espacio, las redes neuronales replicaron con precisión las estructuras a gran escala que solo aparecen en enormes simulaciones.

Sin embargo, las simulaciones no capturan todo.

Debido a que se enfocan solo en la materia oscura y la gravedad, los fenómenos de menor escala, como la formación de estrellas, las supernovas y los efectos de los agujeros negros, quedan fuera.

Los investigadores planean extender sus métodos para incluir las fuerzas responsables de tales fenómenos y ejecutar sus redes neuronales “sobre la marcha” junto con simulaciones convencionales para mejorar la precisión.

“Todavía no sabemos exactamente cómo hacerlo, pero estamos progresando“, dice Li.

Fuente: ScienceDaily