شبیهسازی سهبعدی از جهان
شبیهسازی سهبعدی از جهان
مجله علمی ایلیاد - دانشمندان با استفاده از هوشمصنوعی برای ایجاد شبیهسازیهای سهبُعدی پیچیده از جهان به دستاورد مهمی نایل آمدند. این شبیهسازی حتی ورای پارامترهایش به خوبی عمل میکند؛ بهطوری که سازندگان آن از قابلیتهای باورنکردنی هوشمصنوعی شگفتزده شدهاند. در مقالهای که در یکی از مجلات معتبر به چاپ رسید، اخترشناسان نتایج پروژهشان را تحت عنوان مدل جابهجایی چگالی عمیق یا «D3M» به اشتراک گذاشتند.
بر اساس گفتهی یکی از نویسندگان مقاله، بهنام «شرلی هو» که رهبر گروه تحقیقات در موسسهی مرکز اخترفیزیک محاسباتی فلاتریون و استاد دانشگاه در دانشگاه کارنگی ملون است، هوشمصنوعی جدید آنها میتواند شبیهسازیهایی را در کمتر از چند میلی ثانیه انجام بدهد؛ در مقایسه با سایر شبیهسازیهای سریعی که انجام کاملشان به چند دقیقه زمان احتیاج دارد.
این هوشمصنوعی از دقت بسیار زیادی هم بهره میبرد. در حقیقت، دقت مدل D3M خارقالعاده است و موجبات شگفتی شرلی هو و همکارانش را فراهم آورده است. یافتهها نشان داده که این مدل از دقت بسیار زیادی در ارائهی شبیهسازیهایی از جهان برخوردار است و میتواند مقدار مادهی تاریک موجود در کیهان را تعیین کند؛ اگرچه این مدل هیچ گونه دادههای آموزشی در خصوص این تغییرات پارامترها دریافت نکرد. شرلی هو میگوید: «این کار شبیه این است که بخواهید به نرمافزار تشخیص چهره، عکسهای متعددی از سگ و گربه آموزش بدهید، اما بعد بتواند فیلها را شناسایی کند.»
مدل D3M جدید چگونگی تاثیر جاذبه بر جهان را مدلسازی میکند؛ محققان روی این مساله خیلی تمرکز کردهاند، زیرا جاذبه مهمترین نیرو در ارزیابی بزرگ مقیاس جهان به شمار میآید. دقیقترین شبیهسازیها محاسبه میکنند که جاذبه چگونه میلیاردها ذره را در کل طول عمر جهان تغییر میدهد. این کار ۳۰۰ ساعت برای هر شبیهسازی طول میکشد. شبیهسازیهای سریعتری هم وجود دارند، اما دقت آنها در طول فرایند رو به کاهش میگذارد. در آموزش مدل فوقالذکر از ۸۰۰۰ شبیهسازی مختلف در شبکهی عصبی عمیق استفاده شده است. شبکههای عصبی محاسبات را بر روی دادههای آموزشی انجام میدهند و محققان نتایج آنرا با پیامد مورد انتظارشان مقایسه میکنند. آموزشهای بیشتر این امکان را به این شبکههای عصبی میدهد تا نتایج دقیقتر و سریعتری را بهدست بیاورند.
پس از پایان آموزش D3M، محققان شبیهسازیهایی از جهان انجام دادند که ۶۰۰ میلیون سال نوری گستردگی دارد. آنها سپس نتایج مدلهای کُند ولی دقیق را با مدلهای سریع مقایسه کردند. اگرچه مدلهای کُند به صدها ساعت زمان نیاز داشتند تا هر شبیهسازی را به پایان برسانند، اما مدلهای سریع تنها به چند دقیقه زمان احتیاج داشتند. نکته جالب توجه این است که D3M فرایند شبیهسازی را تنها در ۳۰ میلی ثانیه به پایان برد. این مدل با خطای نسبی ۲.۸ درصد، عملکرد خوبی از خود بر جای گذاشته است. افزون بر این، توانایی غیرقابل انتظار D3M برای مدیریت تغییرات در پارامترهایش میتواند راه را برای نوآوریهای بیشتر در خصوص هوشمصنوعی و یادگیری ماشینی فراهم آورد.
هو اظهار کرد: «ما با خیابان دو طرفهای بین علم و یادگیری عمیق روبهرو هستیم و نیاز است که تحقیقات بیشتر در خصوص این مدل و عملکرد قابل توجه آن انجام بپذیرد.»