科技前沿再掀波澜-AI技术揭示宇宙新奥秘

AI开启模拟宇宙时代：新方法与神经网络揭示宇宙结构形成的奥秘

近日，一项开创性的研究打开了全新的宇宙探索之门。
来自马克斯·普朗克研究所等机构的研究团队，成功利用人工智能（AI）技术模拟了宇宙结构形成的过程。
这不仅展示了AI技术在物理学领域的巨大潜力，也为我们理解宇宙的演化提供了新的视角和方法。

一、宇宙结构形成的模拟：AI展现惊人能力

在这项研究中，研究团队使用了一种名为场级仿真技术的方法，结合AI神经网络，对宇宙结构形成进行了模拟。
通过计算机动画展示的结果中，有一组是由物理定律计算的，另一组则是由人工智能学习后生成的。
令人惊讶的是，很难分辨出哪一组结果是AI生成的。

二、AI模拟宇宙：原理与实现

这个模拟宇宙的项目核心在于使用物理学原理设计神经网络。
它采用了PINN（内嵌物理知识神经网络）的一种实现方式，其损失函数建模了时间相关的粒子坐标和速度之间的特定关系。

模拟器是一个神经网络，包含对Ω（宇宙学密度参数）和红移z处的线性增长因子D(z)的依赖性进行编码的样式参数。
研究人员在六维N-body相空间上训练模型，将粒子速度预测为模型位移输出的时间导数，显著提高了训练效率和模型准确性。

三、模拟器的性能与特点

这个AI模拟器在测试数据（训练期间未见过的各种宇宙学和红移）上实现了良好的精度和性能。
在z=0，k∼1Mpc/h的尺度上达到了百分比级精度。
并且，该模拟器速度极快，在单个GPU上半秒内就能够预测128的立方个粒子的非线性位移和速度场。
同时支持多GPU并行处理，可进行良好的扩展，支持任意大尺寸的实现。

四、模拟宇宙的挑战与要求

模拟宇宙的AI随着宇宙学数据分析推向更小的尺度，利用高阶统计数据，并实现场级分析和基于模拟的推理方案，为预测非线性宇宙结构形成提供了更准确的方法。
但同时也对算力提出了超高要求。
比如利用N点统计的传统分析方法需要大量模拟数据集来进行准确的协方差估计。
而基于模拟的推理方法和场级分析则需要生成许多后期密度场的准确实现以约束模型参数和初始条件重建。

为了探明宇宙学参数和初始条件的最佳约束需要对巡天观测值进行快速、高度准确的预测。
在这项工作中作者通过添加红移依赖性和对多个红移模拟快照的训练来扩展场级N体模拟器。
由于本模型的时间依赖性和自可微性研究者可以有效地获得N体粒子速度作为输出粒子位移的时间导数。
可以在训练期间动态评估这些速度由此定义一个取决于粒子位置和速度的损失函数在六维N体相空间上进行训练。
强制执行「速度必须等于位移时间导数」的物理约束可以提高训练效率并提高模型的准确性特别是对于速度场。

五、模型架构与训练

研究人员设计了场级模拟器采用U-Net/V-Net设计使用PyTorch的map2map库实现和训练模型。
模型的输入具有三个通道对应于所需红移处ZA位移的笛卡尔分量排列在3D网格中。
输入经过一系列卷积操作后模型的副本被存储以供网络的上采样端使用然后使用下采样操作对结果进行下采样。
该架构的感受野对应于给定焦点单元周围的区域。
预测单个粒子的位移时需要以焦点粒子为中心的区域通过网络对应于拉格朗日体积。
为了扩展网络功能允许网络学习N体映射作为Ω和红移的函数作者对其进行了增强以包含样式参数。
模型训练使用的损失函数包含粒子位移欧拉密度和动量场的MSE损失项。

六、实验与结果

研究人员通过构建模拟器输出和N体模拟真值的欧拉密度和动量自功率谱和互功率谱来评估模拟器的准确性。对于密度场使用CIC插值方案将粒子分布到网格并估计功率谱。测试结果显示模拟器的功率谱误差比例函数每条曲线的颜色表示红移。欧拉密度误差仅源于粒子位移的误差当红移z=0时新的瞬态模型的随机性与原始模型的随机性相当并且传递函数误差通常比原始模型有所改善。

七、未来展望与参考资料

这项研究为我们提供了一个全新的视角来看待宇宙的演化利用AI技术来揭示宇宙结构形成的奥秘。随着更多的研究和实践我们有望通过AI模拟器更深入地理解宇宙的奥秘。

参考资料链接：

---

---

相关标签： 红移、 宇宙结构、 场级模拟、 拉格朗日、 冷暗物质、 宇宙学、 粒子、

上一篇：AI技术新里程碑OpenAIo1刷新记录超越竞争对

下一篇：详细解析港大最新技术成果