Uus universumisimulaator on liigagi nutikas — see teab asju, mida ei peaks teadma

Kuna miljardeid aastaid ajas tagasi reisimine pole võimalik, on üks paremaid viise universumi arenguloo mõistmiseks sellest protsessist juba teadaolevate andmete põhjal raalsimulatsioonide loomine.

Suurem osa simulatsioone lahterdub ühte kahest kategooriast: kas aeglaste ja täpsemate või kiirete, ent vähem täpsete hulka. Nüüd aga on rahvusvaheline uurimisrühm konstrueerinud tehisintellekti, mis suudab kiiresti genereerida väga täpseid ruumilisi universumi-simulatsioone — isegi pärast süsteemile tuttavate parameetrite muutmist.

"Kujutage ette, et õpetate pildituvastustarkvara terve hulga kassi- ja koerapiltide baasil, aga siis suudab see järsku tuvastada elevante," selgitas uurija Shirley Ho pressiteates. "Mitte keegi ei tea, kuidas [simulatsiooniprogramm] seda teeb. See on suur mõistatus, mis vajab lahendamist."

Teadusajakirjas Proceedings of the National Academy of Sciences avaldatud uurimuses kirjeldavad teadlased üksikasjaliselt universumisimulaatori D3M (ingl Deep Density Displacement Model; süvatihendusasendusmudel) loomist.

Töörühma eesmärk oli õpetada D3M-ile seda, kuidas gravitatsioon universumit kujundab. Alustuseks sisestati uude simulaatorisse olemasoleva täppis-universumisimulaatori loodud 8000 gravitatsioonikeskset simulatsiooni.

Eelmine süsteem kasutas ainuüksi üheainsa simulatsiooni loomiseks 300 arvutustundi, kuid pärast andmete läbitöötamist suutis D3M 600 miljoni valgusaasta pikkuse läbimõõduga kuupuniversumite simulatsioone tekitada vaid 30 millisekundiga. Seejuures olid nood simulatsioonid olemasolevate "kiirete" süsteemide paari minutiga loodud simulatsioonidest täpsemad.

Kiirus pole aga sugugi D3M-i kõige tähelepanuväärsem omadus.

Tõeliselt imetabane on uue süsteemi suutlikkus simuleerida universumeid täpselt ka pärast selliste parameetrite muutmist, mida süsteemile õppimisfaasis ei tutvustatud. Näiteks võisid uurijad muuta universumis sisalduva tumeaine osakaalu ja D3M suutis suure täpsusega simuleerida taolise universumi arengut.

Lisaks asjaolule, et taoline kummaline käitumine aitab füüsikutel nagu Ho paremini mõista universumi arengut, on sellel potentsiaali aidata informaatikateadlastel paremini mõista tehisintellekti.

"Meie platvorm võib olla huvitavaks mängumaaks masinõppimise spetsialistile, et selgitada välja, miks meie mudel nii hästi ekstrapoleerib, ja miks see ainult "kasside ja koerte" tuvastamise asemel ekstrapoleerib ka "elevante"," selgitas Ho pressiteates. "See on kahesuunaline protsess teaduse ja sügavate närvivõrkude vahel."