Modèle IA révolutionnaire simule l'Univers en 30 ms avec 2,8 % de précision

Le premier simulateur d'Univers par IA est à la fois rapide et précis. Le modèle IA peut simuler un Univers large de 600 millions d'années-lumière en 30 millisecondes avec une erreur relative de 2,8 %. Il est assez surprenant que les chercheurs ne sachent pas comment ce simulateur fonctionne sous le capot.

Pour expliquer l'évolution de notre Univers, les scientifiques ont besoin d'un grand nombre de simulations pour extraire l'information des observations du ciel. Le processus implique l'évaluation de milliards de particules avec un modèle physique précis sur un volume énorme sur des milliards d'années.

Les astrophysiciens utilisent généralement une approche appelée simulation N-corps pour prédire la formation de structure de l'Univers. Cependant, la méthode est coûteuse en calcul.

Maintenant, une équipe de chercheurs aux États-Unis a développé un nouveau modèle — une alternative aux simulations N-corps — pour générer des simulations 3D complexes de l'univers. Il utilise des techniques d'apprentissage profond pour produire des résultats beaucoup plus précis en beaucoup moins de temps.

Modèle de déplacement de densité profond

Le réseau de neurones nommé Deep Density Displacement Model (D3M) est entraîné sur un seul ensemble de paramètres cosmologiques.

En plus de fournir des résultats rapides et précis, il pourrait simuler avec précision à quoi ressemblerait notre univers si des paramètres spécifiques étaient modifiés (par exemple la quantité de matière noire dans le cosmos), malgré le fait que le modèle n'ait jamais été entraîné sur des données où ces paramètres variaient.

D3M modélise les effets de la gravité (la force la plus importante) sur notre Univers. Il calcule comment cette force déplace des milliards de particules individuelles sur toute l'évolution de l'Univers.

Référence : PNAS | DOI:10.1073/pnas.1821458116 | Simons Foundation

Les chercheurs ont entraîné D3M sur environ 8 000 simulations différentes issues des modèles les plus précis existants. Les réseaux de neurones profonds qui alimentent D3M ont progressivement appris à produire des résultats plus précis en moins de temps.

Une fois le modèle entraîné, les astrophysiciens ont lancé une simulation d'un univers en forme de carré de 600 millions d'années-lumière de large. Ils ont ensuite comparé les résultats avec les modèles de pointe existants.

Comparaison de la précision du nouveau modèle (D3M) et des simulations N-corps générées par la théorie de perturbation lagrangienne du second ordre (2LPT). L'erreur de déplacement moyenne en millions d'années-lumière est représentée par différentes couleurs dans la grille.

Alors que la méthode précise mais lente prenait des centaines d'heures pour simuler l'univers et l'approche rapide prenait quelques minutes, D3M a exécuté la simulation en seulement 30 millisecondes.

Comparé à l'approche rapide existante qui avait une erreur relative de 9,3 %, D3M a produit des résultats plus précis avec une erreur relative de 2,8 %.

Ce qui rend vraiment ce modèle spécial, c'est sa capacité exceptionnelle à gérer les variations de paramètres cosmologiques qui n'étaient pas incluses dans les ensembles de données d'entraînement.

Dans la prochaine étude, les chercheurs essaieront de modéliser d'autres forces également, y compris l'hydrodynamique. La complexité du modèle peut être encore améliorée en ajoutant des simulations à plus haute résolution.

De plus, ils analyseront le mécanisme de fonctionnement de D3M pour voir pourquoi il extrapolé si bien. Cela pourrait être vraiment bénéfique pour l'avancement des méthodes d'apprentissage automatique.