利用神经网络（GAN），Flatiron研究所的Yin Li和他的同事只花了传统方法所需时间千分之一，就成功模拟了庞大而复杂的宇宙。
什么是GAN？
GAN（Generative Adversarial Network）主要由两个网络构成，分别是鉴别网络（Discriminating Network）与生成网络（Generative Network），通过两者相互对抗产生结果是其深度学习的运行原理。
该方法提出者在5月4日线上发布于《美国国家科学院院刊》的一项研究中报告说，这种新方法将有助于创建高分辨率的宇宙区域模拟器。
研究的主要作者，纽约市Flatiron研究所的天体物理学家Yin Li说：“目前，计算时间的局限性通常意味着我们不能同时以高分辨率和大尺度来模拟宇宙。有了我们的新技术，就有可能有效地同时拥有这两个。在未来，这些基于人工智（AI）的方法将成为某些应用的规范。”
只要36分钟，你就能模拟出大约5亿光年的宇宙区域！
Li和他的同事会先提供“高解析”和“低解析”的宇宙模型给机器学习算法，该演算法就会开始学习如何优化低分辨率的宇宙区域模型，以弥补高解析模型中的细节。一旦经过训练，该代码可以使用全尺寸的低分辨率模型，并生成包含多个512倍颗粒的“超级分辨率”模拟。
这个过程就好像先用相机拍了一张模糊的照片，然后用其他照片把漏缺的细节重新添加入去，让图片变得更清晰了。
这种优化极大的节省了时间，对于宇宙中一个大约5亿光年的区域，传统方法需要560小时来使用一个处理核心进行高清晰度模拟。使用新方法，研究人员只需要36分钟。
当更多的粒子被添加到模拟中时，模拟速度居然更加出色。对于一个有1340亿个粒子的1000倍大的宇宙，研究人员的新方法在一个图形处理单元上只用了16小时。Li说，如果没有专门的超级计算资源，这种方法需要如此长的时间，它们甚至不值得被运行。
Li是Flatiron研究所计算天体物理学中心的联合研究员。他与卡内基梅隆大学（Carnegie Mellon University）的Yueying Ni、Rupert Croft和Tiziana Di Matteo；University of California, Riverside（加州大学河滨分校）的Simeon Bird；以及University of California, Berkeley（加州大学伯克利分校）的Yu Feng共同撰写了这项研究
宇宙学模拟对于天体物理学家来说是不可或缺的。科学家们利用模拟来预测宇宙在各种情况下的样子，例如，如果拉扯宇宙的暗能量是随时间而变化的，通过随后在望远镜上观察，可以确认模拟的预测是否符合现实。
由于创建可测试的预测需要运行成千上万次的模拟，因此更快的建模将是该领域的一大福利。
Di Matteo说：“加快运行宇宙学模拟的时间，有可能为numerical cosmology和天体物理学提供重大进展。宇宙学模拟跟踪宇宙的历史和命运，一直到所有星系及其黑洞的形成”。
模拟器中粒子可当定位器，显示暗物质在宇宙移动的轨迹
虽然这可能看起来过于简化，但实际上，引力是宇宙在大尺度上的替代力量，而暗物质在宇宙所有“物质”中占比85%。模拟中的粒子并非字面意义上的暗物质粒子，而是被用作定位器，以显示暗物质的碎片如何在宇宙中移动。
该团队的代码使用GAN来预测引力将如何在内部内部移动暗物质。这种网络扩展训练数据并使用这些消息进行计算。然后将结果与预期的结果进行比较。适应模型并变得更加准确。
研究人员使用的具体方法被称为生成式对抗网络，让两个GAN互相对抗。随着时间的推移，两个GAN都变得越来越强，直到最后，模拟生成器胜出，产出的快速模拟结果和一般传统缓慢的模拟结果一样。
Li说：“之前的两年时间，这个方法都不奏效，但突然就开始有效果了。我们得到了漂亮的结果，符合我们的预期。分不清哪个是真，哪个是假。”
尽管只是使用小尺度的空间进行训练，但GAN正确地复制了只出现在巨大模拟中的大规模结构。
不过，这些模拟并没有捕捉到一切。因为他们只关注暗物质和引力，规模较小的现象-如恒星形成，超新星和黑洞的影响，被排除在外。研究人员计划扩展他们的方法，以包括负责模拟此类现象的力量，并在常规模拟中并行运行他们的GAN，以提高准确性。 ：”我们还不知道具体如何做，但我们正在取得进展。
参考资料
《PNAS》、《Simons Foundation》