IA Resolve Problema dos Três Corpos 100 Milhões de Vezes Mais Rápido Que Métodos Tradicionais

Por mais de 3 séculos, matemáticos e físicos intrigaram-se com o problema dos três corpos: um problema de calcular o movimento de três corpos movendo-se sob nenhuma influência além de sua gravitação mútua.

Mais especificamente, se você tomar as posições e velocidades iniciais de três massas pontuais e resolver para seus movimentos sucessivos de acordo com as leis do movimento de Newton e gravitação universal, não encontrará nenhuma solução geral.

Isto é o que é um problema de três corpos. Diferente de problemas de dois corpos, não há solução geral em forma fechada, exceto para um pequeno conjunto de cenários simples como planetas idênticos movendo-se em órbitas idênticas.

Embora a invenção de computadores poderosos tenha permitido que físicos avaliassem iterativamente as posições destas massas pontuais, requer uma quantidade extremamente grande de recursos computacionais. E mesmo assim, as soluções permanecem vagas.

Para enfrentar este problema eficientemente, pesquisadores da Universidade de Edimburgo na Escócia utilizaram um modelo de inteligência artificial (IA). Surpreendentemente, conseguiram extrair soluções precisas a um custo computacional fixo e até 100 milhões de vezes mais rápido que o solucionador existente.

Treinamento e Validação da Rede Neural

A equipe de pesquisa treinou redes neurais em um banco de dados de problemas de três corpos. Este banco de dados continha soluções computadas por um novo solucionador.

Para manter as coisas simples, começaram com problemas simples envolvendo três corpos com massa igual e velocidade inicial zero. Selecionaram pontos de partida arbitrários e resolveram o movimento de três corpos usando um novo método chamado Brutus. Este processo foi repetido dez mil vezes.

Usaram 9.900 amostras para treinar a rede neural e 100 para validá-la. Para testar esta rede, então executaram 5.000 cenários totalmente novos e compararam resultados aos computados por Brutus.

A rede não calcula realmente o movimento futuro de três corpos, em vez disso, prevê com precisão o movimento futuro (usando o conhecimento ganho na fase de treinamento). Mais especificamente, emula a divergência entre trajetórias vizinhas, que corresponde de perto às simulações de Brutus.

Neste estudo, as soluções previstas pela rede neural artificial profunda sobre um intervalo de tempo fixo atenderam às condições de conservação de energia com erro de 0,00001.

Este tipo de rede pode ser usado em situações quando problemas de três corpos se tornam computacionalmente inviáveis para Brutus. Poderia ser parte de um sistema híbrido onde Brutus realizará todos os cálculos pesados mas quando as coisas saírem do controle, a rede entrará até a situação se tornar aceitável novamente.

Por exemplo, redes neurais podem ser usadas para simular com precisão o movimento de objetos celestiais dentro de aglomerados globulares de estrelas e núcleos galácticos, usando menos recursos computacionais.

Também é possível treinar redes neurais em problemas mais complexos, incluindo problemas de 4 e 5 corpos, para diminuir a carga computacional em grande medida.