卡內基美隆大學和加州大學研究人員,合作開發出了一個深度學習模型,可以提升宇宙模擬的解析度,將低解析度的模擬提升為高解析度模擬,使得科學家一天之內,就可以創造出複雜的模擬宇宙,並能探索更多的可能性。

宇宙模擬對於人類了解宇宙是必要的方法,從宇宙的誕生到黑洞的形成,都需要經過模擬才能進一步探索未知,研究人員提到,宇宙研究用到大量的模擬,並且需要使用高解析度,來解決小規模星系形成的物理問題,但解決這些問題的方法,面臨巨大的運算挑戰。這種巨大的動態範圍運算,會帶來大量的計算成本,因此通常需要犧牲解析度或是尺寸,甚至必須要同時犧牲兩者。

這個計算障礙攸關人類解開星系形成、暗物質和暗能量的奧秘,而現在研究人員建構了一個深度網路,來強化低解析度的暗物質模擬,產生超級解析度實作,透過在大宇宙體積中建構小規模星系的模型,達到高解析度且大尺寸的需求。

該團隊的生成對抗網路(GAN)可以將全尺寸低解析度的模型,轉換成為具有512倍粒子數的模型,研究人員提到,雖然生成對抗網路僅使用小空間區域的資料進行訓練,但是該模型能夠複製出,只有在大規模模擬才能看到的大型結構。

這個模型在德州高級計算中心的Frontera系統上,使用數百個GPU進行運算,但是新方法光使用一個GPU,就能帶來巨大的運算加速,研究人員提到,舊的模擬方法單個處理核心上,需要花費3個月才能創造1.34億個粒子的詳細模擬,但由GPU加速的深度學習方法,只要36分鐘就能完成,而對於1千倍大的模擬,過去舊方法在專用超級電腦上的模擬時間,需要耗時數個月,而運作在單一GPU上的新方法,卻只要16個小時。

這種模擬方法可以幫助科學家進行更多種類的模擬,以預測宇宙在不同情境下的樣子,研究人員提到,在過去的研究,可以在模擬宇宙中,發現新的物理學,而利用這項新技術,可以加速驗證想法的速度。目前這項研究鎖定的目標,是重力隨時間移動暗物質的情況,超新星和黑洞的模擬還不在現在的研究範圍中,該團隊接下來會進一步擴展研究方法,以應用在其他的研究上。


熱門新聞

Advertisement