AI 深度學習 GAN 技術又有新境界。圖片來源:PNAS

【為什麼我們要挑選這篇文章】近來很紅的 AI 技術 GAN(生成對抗網路)是深度學習的技術之一,主要透過讓兩個神經網路相互博弈的方式進行學習。

如今美國這群研究團隊發現,GAN 也能夠快速模擬出 5 億光年的宇宙,這讓我們對宇宙和 AI 深度學習的應用範圍又有了更多想像。(責任編輯:陳宜伶)

利用神經網路(GAN),Flatiron 研究所的 Yin Li 和他的同事只花了傳統方法所需時間千分之一,就成功模擬了龐大而復雜的宇宙。

什麼是 GAN?

GAN (Generative Adversarial Network)主要由兩個網路構成,分別是鑑別網路(Discriminating Network)與生成網路(Generative Network),透過兩者相互對抗產生結果是其深度學習的運作原理。

該方法提出者在 5 月 4 日在線發表於《美國國家科學院院刊》的一項研究中報告說,這種新方法將有助於建立高解析度的宇宙區域模擬器

研究的主要作者,紐約市 Flatiron 研究所的天體物理學家 Yin Li 說:「目前,計算時間的局限性通常意味著我們不能同時以高解析度和大尺度來模擬宇宙。有了我們的新技術,就有可能有效地同時擁有這兩個。在未來,這些基於人工智(AI)的方法將成為某些應用的規範。

只要 36 分鐘,你就能模擬出大約 5 億光年的宇宙區域!

Li 和他的同事會先提供「高解析」和「低解析」的宇宙模型給機器學習演算法,該演算法就會開始學習如何優化低解析度的宇宙區域模型,以彌補高解析模型中的細節。一旦經過訓練,該代碼可以使用全尺寸的低解析度模型,並生成包含多個 512 倍顆粒的「超級解析度」模擬。

這個過程就好像先用相機拍了一張模糊的照片,然後用其他照片把漏缺的細節重新添加進去,讓影像變得更清晰了。

這種優化極大的節省了時間,對於宇宙中一個大約 5 億光年的區域,傳統方法需要 560 小時來使用一個處理核心進行高清晰度模擬。使用新方法,研究人員只需要 36 分鐘。

當更多的粒子被添加到模擬中時,模擬速度居然更加出色。對於一個有 1340 億個粒子的 1000 倍大的宇宙,研究人員的新方法在一個圖形處理單元上只用了 16 小時。Li說,如果沒有專門的超級計算資源,這種方法需要如此長的時間,它們甚至不值得被運行。

Li 是 Flatiron 研究所計算天體物理學中心的聯合研究員。他與卡內基梅隆大學(Carnegie Mellon University)的 Yueying Ni、 Rupert Croft 和 Tiziana Di Matteo;University of California, Riverside(加州大學河濱分校)的Simeon Bird;以及University of California, Berkeley(加州大學伯克利分校)的 Yu Feng 共同撰寫了這項研究

宇宙學模擬對於天體物理學家來說是不可或缺的。科學家們利用模擬來預測宇宙在各種情況下的樣子,例如,如果拉扯宇宙的暗能量是隨時間而變化的,通過隨後在望遠鏡上觀察,可以確認模擬的預測是否符合現實。

由於建立可測試的預測需要運行成千上萬次的模擬,因此更快的建模將是該領域的一大福音。

Di Matteo說:「加快運行宇宙學模擬的時間,有可能為 numerical cosmology 和天體物理學提供重大進展。宇宙學模擬跟踪宇宙的歷史和命運,一直到所有星系及其黑洞的形成」。

模擬器中粒子可當追蹤器,顯示暗物質在宇宙移動的軌跡

雖然這可能看起來過於簡化,但實際上,引力是宇宙在大尺度上的替代力量,而暗物質在宇宙所有“物質”中佔比85%。模擬中的粒子並非字面意義上的暗物質粒子,而是被用作追踪器,以顯示暗物質的碎片如何在宇宙中移動。

該團隊的代碼使用 GAN 來預測引力將如何在內部內部移動暗物質。這種網路擴展訓練數據並使用這些訊息進行計算。然後將結果與預期的結果進行比較。適應模型並變得更加準確。

研究人員使用的具體方法被稱為生成式對抗網路,讓兩個 GAN 互相對抗。隨著時間的推移,兩個 GAN 都變得越來越強,直到最後,模擬生成器勝出,產出的快速模擬結果和一般傳統緩慢的模擬結果一樣。

Li說:「之前的兩年時間,這個方法都不奏效,但突然就開始有效果了。我們得到了漂亮的結果,符合我們的預期。分不清哪個是真,哪個是假。」

儘管只是使用小尺度的空間進行訓練,但 GAN 正確地複製了只出現在巨大模擬中的大規模結構。

不過,這些模擬並沒有捕捉到一切。因為他們只關注暗物質和引力,規模較小的現象-如恆星形成,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,以包括負責模擬此類現象的力量,並在常規模擬中並行運行他們的 GAN,以提高準確性。:”我們還不知道具體如何做,但我們正在取得進展。

參考資料

PNAS》、《Simons Foundation

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈GAN网络立功!36分钟,建起5亿光年的宇宙区域〉。圖片來源:PNAS

延伸閱讀

【童年回憶殺】工程師如何用 GAN 神還原紅白機的超級瑪利歐?
【居然是英雄聯盟!】武陵高中學生用 GAN 開發電玩地形,奪 48 萬大獎
【越看越像阿部寬】藝術學士用 GAN 技術,完美重現「公元前羅馬皇帝」的彩色立體肖像!