研究人員在GPU上執行生成對抗網路，加速高解析度宇宙模擬

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。