Metode baru mensimulasikan alam semesta 1000 kali lebih cepat
Machine

Metode baru mensimulasikan alam semesta 1000 kali lebih cepat


Contoh gambar yang diperbesar dalam Resolusi Rendah (LR), Resolusi Tinggi (HR), dan Resolusi Super (SR) dari segmen kosmos. Kredit: Y. Li et al.

Ahli kosmologi menyukai simulasi alam semesta. Bahkan model yang mencakup ratusan juta tahun cahaya dapat berguna untuk memahami aspek dasar kosmologi dan alam semesta awal. Hanya ada satu masalah — mereka sangat intensif secara komputasi. Sebuah petak 500 juta tahun cahaya dari alam semesta membutuhkan waktu lebih dari tiga minggu untuk mensimulasikan. Sekarang, para ilmuwan yang dipimpin oleh Yin Li di Flatiron Institute telah mengembangkan cara untuk menjalankan model raksasa kosmik 1000 kali lebih cepat. Petak tahun cahaya 500 juta tahun itu kemudian bisa disimulasikan dalam 36 menit.

Algoritme yang lebih lama membutuhkan waktu yang sangat lama sebagian karena pengorbanan. Model yang ada dapat mensimulasikan bagian kosmos yang sangat detail dan sangat kecil atau bagian yang lebih besar dan detailnya samar-samar. Mereka dapat memberikan resolusi tinggi atau area yang luas untuk dipelajari, tidak keduanya.

Untuk mengatasi dikotomi ini, Dr. Li beralih ke teknik AI yang disebut jaringan adversarial generatif (GAN). Algoritme ini mengadu dua algoritme yang bersaing lagi satu sama lain, dan kemudian melakukan iterasi pada algoritme tersebut dengan sedikit perubahan pada algoritme tersebut dan menilai apakah perubahan tambahan tersebut meningkatkan algoritme atau tidak. Akhirnya, dengan iterasi yang cukup, kedua algoritme menjadi jauh lebih akurat dengan sendirinya.

GAN ini menggunakan dua algoritma dengan tujuan yang sangat berbeda. Seseorang mengambil gambar beresolusi rendah dari bagian alam semesta dan mencoba membuat gambar resolusi tinggi yang cocok dengan realitas yang diamati. Algoritme lain mencoba untuk mengetahui apakah tambalan alam semesta tertentu dibuat oleh algoritme pertama atau dibuat menggunakan metode intensif komputasi yang lebih konvensional.

Kontributor UT, Paul Sutter, membahas latar belakang dari apa yang coba dibuat oleh algoritme baru. Kredit: Saluran YouTube Paul Sutter
Metode baru mensimulasikan alam semesta 1000 kali lebih cepat

Gambar yang diperbesar dari berbagai tingkat resolusi yang dibuat sistem. Kredit: Y. Li et al.

Algoritme tersebut membutuhkan waktu lebih dari dua tahun untuk dikembangkan, dan bahkan Dr. Li tampak terkejut ketika mereka “tiba-tiba… mulai bekerja. Kami mendapatkan hasil yang indah yang cocok lebih baik dari yang diharapkan.” Cara kerja dalam banyak algoritme AI tidak dipahami dengan baik, bahkan oleh orang yang membuatnya.

Apa pun alasan keberhasilan algoritme pada akhirnya, kini algoritme tersebut menyediakan model realistis secara konsisten dalam waktu singkat metode tradisional. Dr. Li dan rekan-rekannya bahkan tidak dapat membedakan simulasi yang dibuat oleh algoritme mereka sendiri dibandingkan dengan simulasi yang dibuat dengan metode yang lebih konvensional dalam uji coba buta.

Mengenai sains secara keseluruhan, masih banyak pekerjaan yang harus dilakukan. Saat ini, simulasi hanya memperhitungkan gravitasi dan materi gelap. Meskipun itu mungkin merupakan komponen terbesar dari struktur skala besar yang menjadi fokus algoritme ini, hal-hal lain seperti gaya elektromagnetik dan materi normal juga memiliki dampak penting pada kosmos. Dr. Li dan timnya berencana untuk memfokuskan lebih banyak waktu pengembangan pada pemodelan peristiwa “kecil” seperti supernova dan pembentukan bintang.

Untuk saat ini, algoritme mereka dapat mulai menyediakan model kosmos yang besar dan beresolusi tinggi dalam waktu singkat. Dan para kosmolog di mana pun pasti akan berterima kasih kepada mereka untuk itu.


Pembelajaran mesin mempercepat simulasi kosmologis


Kutipan: Metode baru mensimulasikan alam semesta 1000 kali lebih cepat (2021, 11 Mei) diambil 11 Mei 2021 dari https://techxplore.com/news/2021-05-method-simulations-universe-faster.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP