Исследователи из Flatiron Institute разработали 3D-симуляцию Вселенной на основе нейросетей. Симулятор поможет астрофизикам исследовать результаты влияния факторов на развитие космоса. D3M выучивается предсказывать космическую структуру нелинейно и более точно, чем базовая модель 2LPT. Исследователи опубликовали код и данные в репозитории на GitHub.
Разработка помогает лучше понимать процесс формирования космоса. Симуляции запускаются за пару миллисекунд, что быстрее схожих моделей. Разработка выигрывает не только по времени работы, но и по точности симуляции.
Работая в сотрудничестве с исследователями из UC Berkeley, Kavli Institute for the Physics and Mathematics of the Universe в Японии, University of British Columbia и CMU, команда разработала Deep Density Displacement Model (D3M). D3M точно симулирует, как Вселенная выглядит и как она будет выглядеть, если изменить ряд параметров.
Для разработки использовались cuDNN-фреймворк от NVIDIA на PyTorch и GPU ресурсы от NVIDIA. Нейросеть была обучена на 8,000 разных симуляций. С помощью GPU для этапа предсказаний исследователи сократили время генерации симуляции с 115 секунд до 20 (для генерации 1,000 симуляций).
Когда модель обучилась, исследователи запустили симуляции Вселенной на 600 миллионов световых лет вперед. Предложенная модель сравнивалась с двумя подходами: медленный, но точный; быстрый. Предложенный подход обошел конкурирующие на сотни часов и минут соответственно и завершил симуляцию за 30 миллисекунд.
По точности, относительная ошибка модели составляла 2.8%. У конкурирующей быстрой модель ошибка составляла 9.3%.
На изображении ниже колонки показывают 2D слепки результата симуляции от разных моделей: FastPM (ground truth), ZA (простая линейная модель), 2LPT (широко используемая модель для численной аппроксимации) и D3M (предложенная модель).
