新たな研究によると、ニューラルネットワークは、従来のスーパーコンピューティング手法では数日または数週間かかっていた宇宙の 3D シミュレーションを数ミリ秒で構築できるという。
宇宙空間における物質の相互作用を研究するために、科学者は通常、宇宙をシミュレートする計算モデルを構築します。N体シミュレーションと呼ばれるシミュレーション手法は、分子雲が恒星へと崩壊するといった小規模な事象から、宇宙全体といった巨大なシステムに至るまで、様々な現象を再現することができ、当然ながら精度や解像度も様々です。
これらのモデルに含まれる数百万、数十億の粒子や実体間の個々の相互作用を、時間経過に伴う動きを追跡するために繰り返し計算する必要があります。これには膨大な計算能力が必要であり、スーパーコンピュータで結果を返すには数日から数週間かかります。
せっかちな科学者たちに朗報です。米国ニューヨークのフラットアイアン研究所計算天体物理学センターの精鋭たちが率いる物理学者グループが、ニューラルネットワークで計算速度を少しでも上げられるかどうか検証することにしました。
今週、米国科学アカデミー紀要（Proceedings of the National Academy of Sciences of the United States）に掲載された論文によると、彼らはディープ・デンシティ・ディスプレースメント・モデル（D 3 M）と呼ばれるディープ・ニューラル・ネットワークの構築に成功した。このモデルは、系内の粒子の変位ベクトル群を与えられた後、宇宙のシミュレーションを作成する。これらのベクトルは、簡単に言えば、宇宙が膨張するにつれて粒子が向かうべき方向と距離を定義する。そして、これらのベクトルを画像に変換し、物質の粒子が重力の影響下で実際にどのように動き、時間の経過とともに凝集して銀河フィラメントの網を形成するかを示す。
マトリックスの建築家のように…しかし違う：Nvidiaはニューラルネットワークを訓練して都市景観を生成する
続きを読む
従来のソフトウェアによって、6億光年に及ぶ仮想空間に広がる32,728個の粒子を含む合計8,000個の宇宙シミュレーションがD 3 Mの学習に使用されました。言い換えれば、数千の従来の宇宙シミュレーションから粒子の相互作用を学習することで、推論時に任意の粒子と変位ベクトルの入力セットに対して、得られた直感を用いて出力を生成できるのです。従来の非AIシミュレータが計算するようにプログラムされている相互作用の背後にある物理方程式は教えられていません。その代わりに、入力セットから何が期待されるかについての直感を獲得するのです。
ニューラルネットワークの精度は、より従来的なN体シミュレーションシステムであるFastPMと2LPTの2つに同じ入力を与えた際に、それらの出力がどれだけ類似しているかで判断されます。D3Mに1,000セットの入力データから1,000回のシミュレーションを実行させたところ、同じ入力に対してFastPMと比較して相対誤差は2.8%、2LPTと比較して9.3%でした。このモデルがシミュレーションを実行するのにわずか30ミリ秒しかかからないことを考えると、これはそれほど悪くありません。これは時間の節約になるだけでなく、必要な計算能力も少なくなるため、コストも削減されます。
驚いたことに、研究者たちはD 3 Mが訓練データに具体的に含まれていない条件から宇宙のシミュレーションを生成できる可能性にも気づきました。推論テストでは、仮想宇宙における暗黒物質の量などの入力変数を微調整しましたが、モデルはこれらの変化を想定して訓練されていなかったにもかかわらず、正確なシミュレーションを生成することができました。
「画像認識ソフトにたくさんの猫や犬の写真を教えたのに、ゾウを認識できるようなものです」と、論文の筆頭著者でフラットアイアン研究所のグループリーダーであるシャーリー・ホー氏は述べた。「どのようにしてこれが実現されているのか、誰も解明しておらず、大きな謎となっています。」
「機械学習にとって、このモデルがなぜこれほど優れた外挿精度を持つのか、猫や犬だけでなく象まで外挿精度を持つのかを検証する興味深い実験場となるでしょう。これは科学とディープラーニングの双方向の道なのです。」
ニューラル ネットワークのソース コードは、こちらから入手できます。®
