科学家们首次用人工智能（即AI）去创建复杂的宇宙三维模型，我们叫它深密度位移模型，简称D3M。它非常地精确，而且快到设计模型的天文物理学家都不知道它是怎么做到的。
D3M的主要工作是精确地模拟引力在数亿年间塑造宇宙的方式。每次模拟只花30ms，而用其他模型模拟要花几分钟的时间。
更有意思的是，D3M从团队输入的8000个训练模型中学习——它极大地推广和优化了这些模型，还能够调整一些之前从未训练过的参数。
“D3M和用大量猫狗的图片训练图像识别软件类似，不过之后它还能识别大象，”熨斗研究院和卡内基梅隆大学的天文物理学家雪莉说到。
“没人知道它是如何做到的，而这也是一个有待揭开的谜团。”
观察我们周围的宇宙空间，我们能得到有关宇宙进化的大量信息，但是毕竟能看见的有限。因此模拟才会如此方便。
通过模拟得出了一些要么符合，要么不符合我们观察的结果，科学家们能够计算出最有可能生成我们所生活宇宙的情景。
但是我们错综复杂的宇宙使得这些模型计算起来相当费力，这也就意味着运行起来比较费时。为了获取有用的统计数据，一项研究就需要数千次模拟。
这时由计算天体物理学家团队所开发的D3M就有用武之地了。它将计算引力在（宇宙的年龄）138亿年间，是如何在太空中移动数十亿颗粒子的。
我们如果不依靠AI驱动的软件去模拟这种粒子运动，计算300个小时才得到一个较高精度的模型；当然几分钟内也能够计算完成，不过精确度就会大打折扣了。
为了攻克这一难题，研究团队决定建立一个神经网络去进行模拟实验，并且用一个迄今最高精度的模型产生了8000个不同的模拟数据，用来训练D3M。
一旦对D3M的训练完成，并且AI能准确运行，就可以准备试行D3M了。研究人员要求它模拟出一个每边大概代表6亿光年的盒子里的宇宙。
为了评判它的模拟效果，团队同时用几分钟就得到结果的（快速）方法，以及要花几百个小时的奇慢方法运行同样的模型。不出所料，慢的方法得到的是最精确的结果，和它比起来用快速方法会有9.3%的相对误差。
D3M的出现，解救之前的所有快速算法于水火。它只花30毫秒就运行得到了一个模型，并且和这个慢但十分精确的模型相比只有2.8%的相对误差。
更精彩的是，虽然它只是用一个单参数集训练的，这一神经网络却能基于其他未经训练的参数，来预测这个的模拟宇宙的结构——比如说，如果暗物质的数量是不同的。
这意味着AI在应对一系列模拟任务时更为灵活——不过，团队还是希望在计算模型前，搞清楚AI到底能够计算得多准确。
霍说：“我们这里对于机器学习者来说，就相当于一个游乐场，他们可以知道为什么D3M的泛化能力这么好，为什么学习后的它识别的范围能外推到大象而不仅仅是猫和狗”。
“这是一条介于科学和深度学习的双行道。”
这一研究已被发表在美国国家科学院院刊（即PNAS）上了。
作者：Anonymity
FY：Brut Lee
如有相关内容侵权，请于三十日以内联系作者删除
转载还请取得授权，并注意保持完整性和注明出处