Domājošie aprēķini, kas vajadzīgi, lai prognozētu, kā trīs debesu ķermeņi riņķo viens otram apkārt, ir sašutuši fiziķus kopš sera Īzaka Ņūtona laikiem. Tagad mākslīgais intelekts (A.I.) ir parādījis, ka tas var atrisināt problēmu nepilnā laika daļā, kas nepieciešama iepriekšējām pieejām.
Ņūtons pirmais formulēja problēmu 17. gadsimtā, taču atrast vienkāršu veidu, kā to atrisināt, ir izrādījies neticami grūti. Trīs debess objektu, piemēram, planētu, zvaigžņu un pavadoņu, gravitācijas mijiedarbība rada haotisku sistēmu - tādu, kas ir sarežģīta un ļoti jutīga pret katra ķermeņa sākuma stāvokli.
Pašreizējā pieeja šo problēmu risināšanai ir saistīta ar programmatūras izmantošanu, kuras aprēķinu veikšanai var būt vajadzīgas nedēļas vai pat mēneši. Tātad pētnieki nolēma noskaidrot, vai neironu tīkls - modeļa tips, kas atpazīst A.I. kas brīvi atdarina smadzeņu darbību - varētu darīt labāk.
Viņu izveidotais algoritms nodrošināja precīzus risinājumus līdz pat 100 miljoniem reižu ātrāk nekā vismodernākā programmatūras programma, kas pazīstama kā Brutus. Tas varētu izrādīties nenovērtējams astronomiem, kuri cenšas izprast tādas lietas kā zvaigžņu kopu uzvedība un plašāka Visuma evolūcija, sacīja Kriss Folejs, Kembridžas universitātes biostatistisks pētnieks un līdzautors arXiv datu bāzei, kas vēl ir izveidojies. jāpārskata.
"Šim neironu tīklam, ja tas veic labu darbu, vajadzētu būt spējīgam mums piedāvāt risinājumus vēl nepieredzētā laika posmā," viņš stāstīja Live Science. "Tātad mēs varam sākt domāt par progresa panākšanu ar daudz dziļākiem jautājumiem, piemēram, kā veidojas gravitācijas viļņi."
Neironu tīkli ir jāapmāca, lai tos varētu prognozēt, pirms tiek ievadīti dati. Tātad pētniekiem bija jāģenerē 9 900 vienkāršoti trīs ķermeņa scenāriji, izmantojot Brutusu, pašreizējo vadītāju, kad jāatrisina trīs ķermeņa problēmas.
Pēc tam viņi pārbaudīja, cik labi neironu tīkls var paredzēt 5000 neredzētu scenāriju attīstību, un atrada tā rezultātus, kas cieši sakrīt ar Brutus rezultātiem. Tomēr uz A.I balstītā programma problēmas atrisināja vidēji tikai sekundes laikā, salīdzinot ar gandrīz 2 minūtēm.
Iemesls, ka tādas programmas kā Brutus ir tik lēnas, ka tās problēmu atrisina ar brutālu spēku, sacīja Foley, veicot aprēķinus par katru niecīgo debess ķermeņu trajektoriju soli. Neironu tīkls, no otras puses, vienkārši aplūko kustības, ko rada šie aprēķini, un izsecina modeli, kas var palīdzēt prognozēt, kā nākotnē izpaudīsies scenāriji.
Tomēr tas rada problēmu sistēmas palielināšanai, sacīja Folejs. Pašreizējais algoritms ir koncepcijas pierādījums un iemācījies no vienkāršotiem scenārijiem, taču, apmācot sarežģītākus scenārijus vai pat palielinot iesaistīto struktūru skaitu līdz četrām no piecām, vispirms ir jāģenerē dati par Brutus, kas var būt ārkārtīgi ilgs laiks. patērē un dārgi.
"Pastāv mijiedarbība starp mūsu spēju apmācīt fantastiski efektīvu neironu tīklu un mūsu spēju reāli iegūt datus, ar kuru palīdzību to trenēt," viņš teica. "Tātad tur ir sašaurinājums."
Viens veids, kā novērst šo problēmu, būtu pētniekiem izveidot kopēju datu krātuvi, kas iegūta, izmantojot tādas programmas kā Brutus. Bet vispirms bija nepieciešams izveidot standarta protokolus, lai nodrošinātu, ka visiem datiem ir konsekvents standarts un formāts, sacīja Folejs.
Folejs sacīja, ka joprojām ir daži jautājumi, kas jāatrisina arī ar neironu tīklu. Tas var darboties tikai noteiktu laiku, taču iepriekš nav iespējams zināt, cik ilgs laiks būs nepieciešams konkrētam scenārijam, tāpēc pirms problēmas risināšanas algoritmam var iziet no tvaika.
Tomēr pētnieki neparedz, ka neironu tīkls darbojas izolēti, sacīja Folejs. Viņi domā, ka labākais risinājums būtu programmai, piemēram, Brutus, veikt lielāko daļu darba ar neironu tīklu, uzņemoties tikai tās simulācijas daļas, kas ietver sarežģītākus aprēķinus, kas aizkavē programmatūru.
"Jūs izveidojat šo hibrīdu," sacīja Folejs. "Katru reizi, kad Brutus iestrēgst, jūs izmantojat neironu tīklu un virzāt to uz priekšu. Un tad jūs novērtējat, vai Brutus ir kļuvis atlicis."
