Modelo de IA revolucionario simula el Universo en 30 ms con precisión del 2,8%

El primer simulador de IA del Universo es rápido y preciso.

El modelo de IA puede simular un Universo de 600 millones de años luz de ancho en 30 milisegundos con un error relativo del 2,8%.

Es sorprendente que los investigadores no sepan cómo funciona este simulador internamente.

Modelo de Desplazamiento de Densidad Profunda (D3M)

La red neuronal llamada Modelo de Desplazamiento de Densidad Profunda (D3M) se entrena en un solo conjunto de parámetros cosmológicos.

Además de proporcionar resultados rápidos y precisos, puede simular con precisión cómo se vería nuestro universo si se cambiaran parámetros específicos (por ejemplo, la cantidad de materia oscura en el cosmos), a pesar de que el modelo nunca se entrenó con datos donde esos parámetros variaran.

D3M modela los efectos de la gravedad (la fuerza más importante) en nuestro Universo. Calcula cómo esta fuerza desplaza miles de millones de partículas individuales a lo largo de toda la evolución del Universo.

Referencia: PNAS | DOI:10.1073/pnas.1821458116 | Fundación Simons

Los investigadores entrenaron D3M con unas 8.000 simulaciones diferentes de los modelos existentes más precisos. Las redes neuronales profundas que impulsan D3M aprendieron gradualmente a producir resultados más precisos en menos tiempo.

Una vez entrenado el modelo, los astrofísicos ejecutaron una simulación de un universo cuadrado de 600 millones de años luz de ancho. Luego compararon los resultados con los modelos de vanguardia existentes.

Comparación de precisión del nuevo modelo (D3M) y simulaciones N-body generadas por teoría de perturbación lagrangiana de segundo orden (2LPT). El error de desplazamiento promedio en millones de años luz se representa con diferentes colores en la cuadrícula.

Mientras que el método preciso pero lento tardaba cientos de horas en simular el universo y el enfoque rápido tardaba unos minutos, D3M ejecutó la simulación en solo 30 milisegundos.

Comparado con el enfoque rápido existente que tenía un error relativo del 9,3%, D3M produjo resultados más precisos con un error relativo del 2,8%.

Lo que hace realmente especial a este modelo es su excepcional capacidad para manejar variaciones de parámetros cosmológicos que no se incluyeron en los conjuntos de datos de entrenamiento.

En el próximo estudio, los investigadores intentarán modelar otras fuerzas, incluida la hidrodinámica. La complejidad del modelo puede mejorarse aún más añadiendo simulaciones de mayor resolución.

Además, analizarán el mecanismo de funcionamiento de D3M para ver por qué extrapola tan bien. Esto podría ser muy beneficioso para el avance de los métodos de aprendizaje automático.