一項新研究報告表明，科學家已經(jīng)成功地利用AI人工智能創(chuàng)建了一個宇宙模型。科學家試圖通過做出與觀測相匹配的模型預測來了解宇宙。從歷史上看，已經(jīng)能夠用鉛筆和紙對簡單或高度簡化的物理系統(tǒng)進行建模，被戲稱為“球形奶?！?。

后來，計算機時代的到來使科學家們能夠用數(shù)值模擬來模擬更復雜的現(xiàn)象。例如，科學家已經(jīng)對超級計算機進行了編程，以模擬數(shù)十億粒子在數(shù)十億年宇宙時間中的運動。

這一過程被稱為N體模擬，目的是研究宇宙是如何演化成我們今天觀察到的一切。東京大學卡夫里宇宙物理和數(shù)學研究所的博士后研究員尹麗說：現(xiàn)在通過機器學習，我們已經(jīng)開發(fā)出了第一個宇宙神經(jīng)網(wǎng)絡(luò)模型，并證明了有第三種預測途徑，一種結(jié)合了分析計算和數(shù)值模擬的優(yōu)點，并與加州大學伯克利分校聯(lián)合開展了博士后研究。（下圖）兩種宇宙模型精度的比較：新的深度學習模型(左)，稱為D3M，比現(xiàn)有的分析方法(右)更準確，稱為2LPT。

顏色表示相對于數(shù)值模擬每個點的位移誤差，這是準確的，但比深度學習模型慢得多。在宇宙誕生之初，一切都是極其統(tǒng)一的。隨著時間推移，由于引力，密度較高的部分變得越來越密集，而較稀疏的部分則變得越來越稀疏，最終形成了一種被稱為“宇宙網(wǎng)”的泡沫狀結(jié)構(gòu)。為了研究這種結(jié)構(gòu)形成過程，科學家嘗試了許多方法，包括解析計算和數(shù)值模擬。分析方法是快速的，但是對于大密度起伏不能產(chǎn)生準確的結(jié)果。

另一方面，數(shù)值(N-body)方法精確地模擬結(jié)構(gòu)的形成，但是即使在超級計算機上跟蹤無數(shù)的粒子也是昂貴的。因此，為了對宇宙進行建模，科學家們經(jīng)常面臨精確度和效率之間的權(quán)衡。然而，觀測數(shù)據(jù)在質(zhì)量和數(shù)量上的爆炸性增長，要求方法在精確度和效率上都出類拔萃。為了應對這一挑戰(zhàn)，包括尹麗在內(nèi)的一組來自美國、加拿大和日本的科學家將目光投向了機器學習，這是一種檢測模式和做出預測的尖端方法。

正如機器學習可以將年輕人的肖像轉(zhuǎn)變?yōu)槟昀蠒r一樣，它是否也可以根據(jù)早期的快照來預測宇宙是如何演化。用數(shù)萬億立方光年體積的模擬數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡(luò)，并建立了能夠模擬結(jié)構(gòu)形成過程的深度學習模型。新模型不僅比解析方法精確度高很多倍，而且比用于訓練的數(shù)值模擬效率高得多。它具有以前（分析計算和數(shù)值模擬）方法的優(yōu)點。

人工智能模擬的能力將在未來擴大，N-Body模擬已經(jīng)進行了大量優(yōu)化，作為第一次嘗試，研究團隊的AI模型仍然有很大的改進空間。此外，更復雜的現(xiàn)象會需要更大的模擬成本，但模擬不太可能如此。研究人員估計，當繼續(xù)將其他效果(如流體動力學)納入到模擬中時，AI模擬器將獲得更大的性能收益。用不了多久，就可以沿著這條道路揭示宇宙的初始條件和編碼的物理。

博科園｜研究/來自：卡夫利宇宙物理和數(shù)學研究所

參考期刊《美國國家科學院院刊》

DOI: 10.1073/pnas.1821458116

博科園｜科學、科技、科研、科普