一项新研究报告表明，科学家已经成功地利用AI人工智能创建了一个宇宙模型。科学家试图通过做出与观测相匹配的模型预测来了解宇宙。从历史上看，已经能够用铅笔和纸对简单或高度简化的物理系统进行建模，被戏称为“球形奶牛”。后来，计算机时代的到来使科学家们能够用数值模拟来模拟更复杂的现象。例如，科学家已经对超级计算机进行了编程，以模拟数十亿粒子在数十亿年宇宙时间中的运动。
这一过程被称为N体模拟，目的是研究宇宙是如何演化成我们今天观察到的一切。东京大学卡夫里宇宙物理和数学研究所的博士后研究员尹丽说：现在通过机器学习，我们已经开发出了第一个宇宙神经网络模型，并证明了有第三种预测途径，一种结合了分析计算和数值模拟的优点，并与加州大学伯克利分校联合开展了博士后研究。（下图）两种宇宙模型精度的比较：新的深度学习模型(左)，称为D3M，比现有的分析方法(右)更准确，称为2LPT。
颜色表示相对于数值模拟每个点的位移误差，这是准确的，但比深度学习模型慢得多。在宇宙诞生之初，一切都是极其统一的。随着时间推移，由于引力，密度较高的部分变得越来越密集，而较稀疏的部分则变得越来越稀疏，最终形成了一种被称为“宇宙网”的泡沫状结构。为了研究这种结构形成过程，科学家尝试了许多方法，包括解析计算和数值模拟。分析方法是快速的，但是对于大密度起伏不能产生准确的结果。
另一方面，数值(N-body)方法精确地模拟结构的形成，但是即使在超级计算机上跟踪无数的粒子也是昂贵的。因此，为了对宇宙进行建模，科学家们经常面临精确度和效率之间的权衡。然而，观测数据在质量和数量上的爆炸性增长，要求方法在精确度和效率上都出类拔萃。为了应对这一挑战，包括尹丽在内的一组来自美国、加拿大和日本的科学家将目光投向了机器学习，这是一种检测模式和做出预测的尖端方法。
正如机器学习可以将年轻人的肖像转变为年老时一样，它是否也可以根据早期的快照来预测宇宙是如何演化。用数万亿立方光年体积的模拟数据训练卷积神经网络，并建立了能够模拟结构形成过程的深度学习模型。新模型不仅比解析方法精确度高很多倍，而且比用于训练的数值模拟效率高得多。它具有以前（分析计算和数值模拟）方法的优点。
人工智能模拟的能力将在未来扩大，N-Body模拟已经进行了大量优化，作为第一次尝试，研究团队的AI模型仍然有很大的改进空间。此外，更复杂的现象会需要更大的模拟成本，但模拟不太可能如此。研究人员估计，当继续将其他效果(如流体动力学)纳入到模拟中时，AI模拟器将获得更大的性能收益。用不了多久，就可以沿着这条道路揭示宇宙的初始条件和编码的物理。
博科园｜研究/来自：卡夫利宇宙物理和数学研究所
参考期刊《美国国家科学院院刊》
DOI: 10.1073/pnas.1821458116
博科园｜科学、科技、科研、科普
