Modelo de IA Revolucionário Simula o Universo em 30 ms com 2,8% de Precisão
Para explicar a evolução do nosso Universo, cientistas requerem um grande número de simulações para extrair informações de observações do céu. O processo envolve avaliar bilhões de partículas com um modelo físico preciso sobre um volume enorme ao longo de bilhões de anos.
Astrofísicos tipicamente usam uma abordagem chamada simulação N-corpos para prever a formação de estrutura do Universo. No entanto, o método é computacionalmente caro.
Agora, uma equipe de pesquisadores nos Estados Unidos desenvolveu um novo modelo — uma alternativa às simulações N-corpos — para gerar simulações 3D complexas do universo. Usa técnicas de aprendizado profundo para produzir resultados muito mais precisos em muito menos tempo.
Modelo de Deslocamento de Densidade Profunda (D3M)
A rede neural chamada Deep Density Displacement Model (D3M) é treinada em um único conjunto de parâmetros cosmológicos.
Além de fornecer resultados rápidos e precisos, ela pode simular precisamente como nosso universo seria se parâmetros específicos fossem alterados (por exemplo, quantidade de matéria escura no cosmos), apesar de o modelo nunca ter sido treinado em dados onde esses parâmetros variavam.
O D3M modela os efeitos da gravidade (a força mais importante) em nosso Universo. Calcula como esta força desloca bilhões de partículas individuais ao longo de toda a evolução do Universo.
Os pesquisadores treinaram o D3M em cerca de 8.000 simulações diferentes dos modelos mais precisos existentes. As redes neurais profundas que alimentam o D3M gradualmente aprenderam a produzir resultados mais precisos em menos tempo.
Uma vez treinado o modelo, astrofísicos rodaram simulação de um universo quadrado com 600 milhões de anos-luz de largura. Compararam então os resultados com modelos de ponta existentes.
Enquanto o método preciso porem lento levou centenas de horas para simular o universo e a abordagem rápida levou alguns minutos, o D3M rodou a simulação em apenas 30 milissegundos.
Comparado à abordagem rápida existente que tinha erro relativo de 9,3%, o D3M produziu resultados mais precisos com erro relativo de 2,8%.
O que realmente torna este modelo especial é sua capacidade excepcional de lidar com variações de parâmetros cosmológicos que não foram incluídas nos conjuntos de dados de treinamento.
No próximo estudo, os pesquisadores tentarão modelar outras forças também, incluindo hidrodinâmica. A complexidade do modelo pode ser melhorada adicionando simulações de maior resolução.
Além disso, analisarão o mecanismo de funcionamento do D3M para ver por que ele extrapola tão bem. Isso pode ser muito benéfico para o avanço de métodos de machine learning.
Tecnologia industrial
- Raspberry Pi 3 B+ – Recursos Atualizados, Especificações e Guia de Compra
- IBM Avança com IA que Simula Função Cardíaca em Minutos
- Google Revela IA que Gera Vídeos Completos a Partir de Quadros Inicial e Final
- Novos Territórios Lideram a Inovação na Manufatura
- Insira Modelos STEP em Projetos Elétricos no E3.series: Guia Passo a Passo
- Revolucionando a Entrega de Última Milha em 2024: Robótica, Colaboração e Experiência Superior do Cliente
- O Impacto da Pandemia na Tomada de Decisão da Cadeia de Suprimentos: Um Novo Paradigma
- Você Deve Balancear um Novo Impulsor Antes da Instalação?
- Acelerando a Precisão de Dados IoT: Novo Modelo Substitui Rapidamente Informações Desatualizadas
- Três Principais Benefícios de Usar o Protocase Designer