Inteligencia artificial aprende a modelar nuestro universo

Comparta este Artículo en:

Investigadores han creado con éxito un modelo del Universo utilizando inteligencia artificial, informa un nuevo estudio.

Buscan comprender nuestro Universo haciendo predicciones modelo para que coincidan con las observaciones.

Históricamente, han podido modelar sistemas físicos simples o altamente simplificados, llamados en broma “vacas esféricas”, con lápices y papel.

Más tarde, la llegada de las computadoras les permitió modelar fenómenos complejos con simulaciones numéricas.

Por ejemplo, los investigadores han programado supercomputadoras para simular el movimiento de miles de millones de partículas a través de miles de millones de años de tiempo cósmico, un procedimiento conocido como las simulaciones de N cuerpos, para estudiar cómo evolucionó el Universo a lo que observamos hoy.

“Ahora con el aprendizaje automático, hemos desarrollado el primer modelo de red neuronal del Universo, y demostramos que hay una tercera ruta para hacer predicciones, una que combina los méritos del cálculo analítico y la simulación numérica”, dijo Yin Li, investigador postdoctoral en Instituto Kavli de Física y Matemáticas del Universo, Universidad de Tokio, y conjuntamente la Universidad de California, Berkeley.

El nuevo modelo de aprendizaje profundo, denominado D3M, es mucho más preciso que un método analítico existente llamado 2LPT.

Los colores representan el error en el desplazamiento en cada punto en relación con la simulación numérica, que es precisa pero mucho más lenta que el modelo de aprendizaje profundo.

Al comienzo de nuestro universo, las cosas eran extremadamente uniformes.

Con el paso del tiempo, las partes más densas se volvieron más densas y las partes más dispersas se volvieron más dispersas debido a la gravedad, formando finalmente una estructura similar a la espuma conocida como la “red cósmica”.

Para estudiar este proceso de formación de estructuras, los investigadores han probado muchos métodos, incluidos los cálculos analíticos y las simulaciones numéricas.

Los métodos analíticos son rápidos, pero no producen resultados precisos para fluctuaciones de gran densidad.

Por otro lado, los métodos numéricos (N-body) simulan la formación de estructuras con precisión, pero el seguimiento de miles de millones de partículas es costoso, incluso en supercomputadoras.

Androgen’s is known to be the basic ingredient that makes up masculinity and because canadian prices for viagra of the loss of this ingredient, physical change occurs. The best this viagra sample free thing about this drug is that it carries certain sort of components inside it which is said to be a disorder faced by men. These are pretty health viagra samples click to find out more and can harm you badly. Apart from that, absence of enthusiasm for sexual exercises is also necessary for men. levitra fast shipping

Por lo tanto, para modelar el Universo, los científicos a menudo enfrentan la compensación de precisión versus eficiencia.

Sin embargo, el crecimiento explosivo de los datos de observación en calidad y cantidad requiere métodos que sobresalgan tanto en precisión como en eficiencia.

Para hacer frente a este desafío, un equipo de investigadores de los EE. UU., Canadá y Japón, incluido Li, apuntó al aprendizaje automático, un enfoque de vanguardia para detectar patrones y hacer predicciones.

Así como el aprendizaje automático puede transformar el retrato de un joven en su yo mayor, Li y sus colegas preguntaron si también puede predecir cómo evolucionan los universos en función de sus primeras instantáneas.

Entrenaron una red neuronal convolucional con datos de simulación de billones de años luz cúbicos en volumen, y construyeron un modelo de aprendizaje profundo que fue capaz de imitar el proceso de formación de estructuras.

El nuevo modelo no solo es muchas veces más preciso que los métodos analíticos, sino que también es mucho más eficiente que las simulaciones numéricas utilizadas para su entrenamiento.

“Tiene las fortalezas de los métodos anteriores [cálculo analítico y simulación numérica]”, dijo Li.

Li dice que el poder de la emulación de IA aumentará en el futuro.

Las simulaciones de N-body ya están muy optimizadas, y como primer intento, el modelo de IA de su equipo todavía tiene un gran margen de mejora.

Además, los fenómenos más complicados conllevan un mayor costo en la simulación, pero probablemente no en la emulación.

Li y sus colegas esperan una mayor ganancia de rendimiento de su emulador de IA cuando pasen a incluir otros efectos, como la hidrodinámica, en las simulaciones.

“No pasará mucho tiempo antes de que podamos descubrir las condiciones iniciales y la física codificada en nuestro Universo a lo largo de este camino”, dijo.

Fuente: ScienceDaily