Como utilizar Machine learning consegue acelerar simulações cosmológicas

É sabido que ao longo de bilhões de anos o universo evolui e se transformou, porém é um tanto quanto difícil descobrir o que houve durante este processo. Pensando em uma solução para desvendar os mistérios por trás dos eventos do universo, pesquisadores desenvolveram uma forma de criar um complexo universo simulado em menos de 1 dia. O estudo foi publicado na revista Proceedings of the National Academy of Sciences desta semana e envolve machine learning, computação de alto desempenho e astrofísica para criar uma era de simulações cosmológicas de alta resolução.

Para que servem as simulações cosmológicas?

Para ajudar a desvendar os mistérios por trás dos diversos eventos que ocorrem e ocorreram no universo são feitas simulações cosmológicas, incluindo testes para análise da matéria e energia escura. Entretanto, até o momento os pesquisadores estavam limitados a somente uma pequena área em alta resolução, dificultando muito o trabalho, pois ao tentar fazer o mesmo com uma área maior, abrangendo um grande volume do universo, a imagem obtida era de baixíssima resolução.

As simulações cosmológicas são utilizadas para prever como o universo seria em vários cenários, além de servir para desvendar como a energia escura que se separa do universo varia ao longo do tempo. Com a utilização de um telescópio se confirma se as previsões feitas pelas simulações correspondem ou não à realidade.

A solução

Os pesquisadores físicos Tiziana Di Matteo (Universidade Carnegie Mellon), Rupert Croft (Universidade Carnegie Mellon), Yin Li (Flatiron Institute), Yueying Ni (Universidade Carnegie Mellon) e Yu Feng (Universidade da Califórnia Berkeley), superaram esta barreira ensinando um algoritmo de machine learning baseado em neural networks (redes neurais) para aprimorar a simulação cosmológica de baixa resolução, que abrangia uma grande área, transformando-a em uma imagem de alta resolução.

A pesquisadora Yueying Ni, que realizou o treinamento do modelo, construindo o pipeline de teste e validação, analisou os dados e fez uma visualização a partir dos dados.

"As simulações cosmológicas precisam cobrir um grande volume para estudos cosmológicos, ao mesmo tempo que requerem alta resolução para resolver a física da formação de galáxias em pequena escala, o que incorreria em desafios computacionais assustadores. Nossa técnica pode ser usada como uma ferramenta poderosa e promissora para combinar os dois requisitos simultaneamente, modelando a física da formação de galáxias em pequena escala em grandes volumes cosmológicos."

Como funciona

O código treinado é capaz de utilizar modelos cosmológicos em escala real e de baixa resolução para gerar simulações com alta resolução, produzindo até 512 vezes mais partículas que a imagem original. Para conseguir analisar uma região do universo de aproximadamente 500 milhões de anos-luz contendo 134 milhões de partículas, os métodos atuais necessitavam de 560 horas para produzir uma simulação de alta resolução utilizando um núcleo de processamento. Com a nova técnica, os pesquisadores levam apenas 36 minutos.

O resultado da utilização de machine learning e neural networks se mostrou ainda mais chocante quando foi adicionado mais particular à simulação. Para trabalhar com um universo 1000 vezes maior com 134 bilhões de partículas, o novo método levou 16h utilizando uma única unidade de processamento gráfico. Se utilizar os métodos feitos atualmente, uma simulação desta magnitude levaria meses para ser concluída, mesmo com um supercomputador dedicado.

O potencial ganho ao reduzir o tempo levado para realizar as simulações cosmológicas

Tiziana diz que ao reduzir o tempo do processamento necessário para produzir as simulações cosmológicas "o potencial de fornecer grandes avanços em cosmologia numérica e astrofísica". O pesquisador ainda complementa dizendo:

"Simulações cosmológicas seguem a história e o destino do universo, até a formação de todas as galáxias e seus buracos negros."

O professor e chefe do departamento de física da Universidade Carnegie Mellon, Scott Dodelson, diz:

"O universo é o maior conjunto de dados que existe - a inteligência artificial é a chave para entender o universo e revelar a nova física. Esta pesquisa ilustra como o NSF Planning Institute for Artificial Intelligence avançará a física por meio da inteligência artificial, machine learning, estatística e ciência de dados."

O diretor do programa da Divisão de Física da NSF Planning Institute for Artificial Intelligence , James Shank, diz:

"Está claro que a IA está tendo um grande efeito em muitas áreas da ciência, incluindo física e astronomia. Nosso programa do AI planning Institute está trabalhando para impulsionar a IA para acelerar a descoberta. Este novo resultado é um bom exemplo de como a IA está transformando a cosmologia."

Desafios e melhorias

Para criar um novo método, Yueying Ni e Yin Li, aproveitaram estes campos da tecnologia para criar um código que usa neural networkds (redes neurais) para conseguir prever como a gravidade move a matéria escura ao longo do tempo. As redes utilizam os dados do treinamento do algoritmo, executam cálculos e comparam os resultados com o resultado esperado. Com um treinamento maior, as redes se adaptam e se tornam mais precisas.

Para dar certo esta técnica criada, foi utilizada uma abordagem de rede adversarial geradora, onde há duas redes neurais, uma contra a outra. Uma utiliza simulações de baixa resolução do universo e as utiliza para gerar modelos de alta resolução, enquanto a outra tenta diferenciar essas simulações das feitas por métodos convencionais. Com o passar do tempo, as redes ficam cada vez melhores até que se consegue criar simulações rápidas que se parecem com as convencionais (lentas).

Yin Li diz:

"Não conseguimos fazer funcionar por dois anos e de repente começou a funcionar. Obtivemos lindos resultados que corresponderam ao que esperávamos. Até fizemos alguns testes cegos, e a maioria de nós não sabia dizer qual era 'real' e qual era 'falso'."

Embora seja uma grande evolução comparado aos métodos tradicionais, as simulações cosmológicas geradas através desta nova tecnologia não capturam tudo. Elas se concentram na matéria escura, na gravidade, deixando de lado os fenômenos de escala menor (formação de estrelas, supernovas e os efeitos dos buracos negros). Entretanto, os pesquisadores planejam utilizar o novo método para adicionar as forças responsáveis por tais fenômenos e rodar nas suas redes neurais "em tempo real" ao lado de simulações convencionais para melhorar a precisão.