De geestverruimende berekeningen die nodig zijn om te voorspellen hoe drie hemellichamen om elkaar heen draaien, hebben natuurkundigen verbijsterd sinds de tijd van Sir Isaac Newton. Nu heeft kunstmatige intelligentie (A.I.) aangetoond dat het het probleem kan oplossen in een fractie van de tijd die nodig was voor eerdere benaderingen.
Newton was de eerste die het probleem in de 17e eeuw formuleerde, maar het vinden van een eenvoudige manier om het op te lossen is ongelooflijk moeilijk gebleken. De zwaartekrachtsinteracties tussen drie hemellichamen zoals planeten, sterren en manen resulteren in een chaotisch systeem - een systeem dat complex is en zeer gevoelig voor de uitgangsposities van elk lichaam.
De huidige benaderingen voor het oplossen van deze problemen omvatten het gebruik van software die weken of zelfs maanden kan duren om de berekeningen te voltooien. Dus onderzoekers besloten om te kijken of een neuraal netwerk - een type patroon dat A.I. die losjes nabootst hoe de hersenen werken - zou het beter kunnen doen.
Het algoritme dat ze bouwden, leverde nauwkeurige oplossingen tot 100 miljoen keer sneller dan het meest geavanceerde softwareprogramma, bekend als Brutus. Dat zou van onschatbare waarde kunnen zijn voor astronomen die zaken als het gedrag van sterrenhopen en de bredere evolutie van het universum proberen te begrijpen, zei Chris Foley, biostatisticus aan de Universiteit van Cambridge en co-auteur van een paper in de arXiv-database, die tot nu toe door vakgenoten worden beoordeeld.
"Dit neurale netwerk, als het goed werkt, zou ons in een ongekend tijdsbestek oplossingen moeten kunnen bieden", vertelde hij WordsSideKick.com. 'Dus we kunnen beginnen na te denken over het boeken van vooruitgang met veel diepere vragen, zoals hoe gravitatiegolven ontstaan.'
Neurale netwerken moeten worden getraind door gegevens te krijgen voordat ze voorspellingen kunnen doen. Dus moesten de onderzoekers 9.900 vereenvoudigde scenario's met drie lichamen genereren met Brutus, de huidige leider als het gaat om het oplossen van problemen met drie lichamen.
Vervolgens testten ze hoe goed het neurale net de evolutie van 5.000 ongeziene scenario's kon voorspellen, en ontdekten dat de resultaten nauw overeenkwamen met die van Brutus. Het op A.I. gebaseerde programma loste de problemen echter op in gemiddeld slechts een fractie van een seconde, vergeleken met bijna 2 minuten.
De reden dat programma's zoals Brutus zo traag zijn, is dat ze het probleem met brute kracht oplossen, zei Foley, terwijl hij berekeningen uitvoerde voor elke kleine stap van de trajecten van de hemellichamen. Het neurale net daarentegen kijkt eenvoudig naar de bewegingen die deze berekeningen opleveren en leidt een patroon af dat kan helpen voorspellen hoe toekomstige scenario's zich zullen afspelen.
Dat is echter een probleem voor het opschalen van het systeem, zei Foley. Het huidige algoritme is een proof-of-concept en kan worden geleerd van vereenvoudigde scenario's, maar voor training over complexere scenario's of zelfs om het aantal betrokken instanties te verhogen tot vier of vijf, moet je eerst de gegevens over Brutus genereren, wat extreem veel tijd kan kosten. consumerend en duur.
"Er is een wisselwerking tussen ons vermogen om een fantastisch presterend neuraal netwerk te trainen en ons vermogen om daadwerkelijk gegevens af te leiden om het te trainen," zei hij. 'Dus daar zit een knelpunt.'
Een manier om dat probleem te omzeilen is dat onderzoekers een gemeenschappelijke opslagplaats creëren van gegevens die zijn geproduceerd met programma's als Brutus. Maar eerst zou het nodig zijn om standaardprotocollen te maken om ervoor te zorgen dat de gegevens allemaal een consistente standaard en indeling waren, zei Foley.
Er zijn ook nog een paar problemen om door te werken met het neurale net, zei Foley. Het kan maar een bepaalde tijd worden uitgevoerd, maar het is niet mogelijk om van tevoren te weten hoe lang het duurt voordat een bepaald scenario is voltooid, dus het algoritme kan opraken voordat het probleem is opgelost.
De onderzoekers denken echter niet dat het neurale net geïsoleerd zal werken, zei Foley. Ze denken dat de beste oplossing zou zijn als een programma als Brutus het meeste beenwerk met het neurale net doet, en alleen de delen van de simulatie overneemt die complexere berekeningen vereisen die de software verzwakken.
'Jij maakt deze hybride,' zei Foley. 'Elke keer dat Brutus vastloopt, zet je het neurale netwerk in en jig je het naar voren. En dan kijk je of Brutus al dan niet is vastgelopen.'
