AI belajar membuat model Alam Semesta kita – Sains Terkini


Para peneliti telah berhasil menciptakan model Semesta menggunakan kecerdasan buatan, lapor sebuah studi baru.

Para peneliti berusaha untuk memahami Alam Semesta kita dengan membuat prediksi model yang sesuai dengan pengamatan. Secara historis, mereka telah mampu membuat model sistem fisik yang sederhana atau sangat disederhanakan, bercanda dijuluki "sapi bulat," dengan pensil dan kertas. Kemudian, kedatangan komputer memungkinkan mereka untuk memodelkan fenomena kompleks dengan simulasi numerik. Sebagai contoh, para peneliti telah memprogram superkomputer untuk mensimulasikan gerakan miliaran partikel melalui miliaran tahun waktu kosmik, sebuah prosedur yang dikenal sebagai simulasi N-body, untuk mempelajari bagaimana Alam Semesta berevolusi menjadi apa yang kita amati hari ini.


"Sekarang dengan pembelajaran mesin, kami telah mengembangkan model jaringan saraf pertama Semesta, dan menunjukkan ada rute ketiga untuk membuat prediksi, yang menggabungkan manfaat perhitungan analitik dan simulasi numerik," kata Yin Li, Peneliti Postdoctoral di Institut Kavli untuk Fisika dan Matematika Alam Semesta, Universitas Tokyo, dan bersama-sama Universitas California, Berkeley.

Perbandingan akurasi dua model Semesta. Model pembelajaran mendalam baru (kiri), dijuluki D3M, jauh lebih akurat daripada metode analitik yang ada (kanan) yang disebut 2LPT. Warna mewakili kesalahan dalam perpindahan di setiap titik relatif terhadap simulasi numerik, yang akurat tetapi jauh lebih lambat daripada model pembelajaran yang mendalam.

Pada awal Semesta kita, semuanya sangat seragam. Seiring berjalannya waktu, bagian yang lebih padat tumbuh lebih padat dan bagian yang lebih jarang menjadi lebih jarang karena gravitasi, akhirnya membentuk struktur seperti busa yang dikenal sebagai "jaring kosmik". Untuk mempelajari proses pembentukan struktur ini, para peneliti telah mencoba banyak metode, termasuk perhitungan analitik dan simulasi numerik. Metode analitik cepat, tetapi gagal menghasilkan hasil yang akurat untuk fluktuasi kepadatan besar. Di sisi lain, metode numerik (tubuh-N) mensimulasikan pembentukan struktur secara akurat, tetapi melacak gazillion partikel itu mahal, bahkan pada superkomputer. Jadi, untuk memodelkan Semesta, para ilmuwan sering menghadapi akurasi versus efisiensi trade-off.

Namun, pertumbuhan eksplosif data pengamatan dalam kualitas dan kuantitas membutuhkan metode yang unggul dalam akurasi dan efisiensi.


Untuk mengatasi tantangan ini, tim peneliti dari AS, Kanada, dan Jepang, termasuk Li, mengarahkan pandangan mereka pada pembelajaran mesin, pendekatan mutakhir untuk mendeteksi pola dan membuat prediksi. Sama seperti pembelajaran mesin dapat mengubah potret seorang pemuda menjadi dirinya yang lebih tua, Li dan rekannya bertanya apakah itu juga dapat memprediksi bagaimana alam semesta berevolusi berdasarkan foto-foto awal mereka. Mereka melatih jaringan saraf convolutional dengan data simulasi triliunan tahun cahaya dalam volume, dan membangun model pembelajaran yang mendalam yang mampu meniru proses pembentukan struktur. Model baru ini tidak hanya berkali-kali lebih akurat daripada metode analitik, tetapi juga jauh lebih efisien daripada simulasi numerik yang digunakan untuk pelatihannya.

"Ini memiliki kekuatan dari kedua metode (perhitungan analitik dan simulasi numerik) sebelumnya," kata Li.

Li mengatakan kekuatan emulasi AI akan meningkat di masa depan. Simulasi N-body sudah sangat dioptimalkan, dan sebagai upaya pertama, model AI timnya masih memiliki ruang besar untuk perbaikan. Juga, fenomena yang lebih rumit menimbulkan biaya lebih besar pada simulasi, tetapi tidak mungkin demikian pada emulasi. Li dan rekan-rekannya mengharapkan peningkatan kinerja yang lebih besar dari emulator AI mereka ketika mereka beralih ke memasukkan efek lain, seperti hidrodinamika, ke dalam simulasi.

"Tidak akan lama sebelum kita dapat mengungkap kondisi awal dan fisika yang dikodekan di Alam Semesta kita di sepanjang jalan ini," katanya.

You may also like...

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.