Nově vyvinutá umělá neuronová síť rychle řeší fyzikální problém

Od Sira Isaac Newtona je takzvaný třítělesný problém zmátal matematiky a fyziky. Jak ScienceAlert vysvětluje, “třítělesný problém zahrnuje výpočet pohybu tří gravitačně interagujících těles – jako je například Země, Měsíc a Slunce – s ohledem na jejich počáteční polohy a rychlosti.”

Na povrchu se tento problém zdá být jednoduchý, ale ve skutečnosti je to extrémně obtížný problém. Jedním z výsledků bylo zavedení mořských chronometrů pro výpočet poloh na moři, místo aby se řešil třítělesný problém výpočtem takové polohy pomocí Měsíce a hvězd.

S rychlým pokrokem ve studiu vesmíru se třítělesný problém stal důležitou součástí pro výzkumníky, kteří se snaží zjistit, “jak černé díry dvojitá interagují se samostatnými černými dírami, a odtud, jak některé z nejzákladnějších objektů vesmíru interagují navzájem.”

Aby byly tyto výpočty proveditelné v rozumném čase, vědci a výzkumníci se uchýlili k použití ANN, hlubokých umělých neuronových sítí. Nový systém byl vyvinut týmem složeným z výzkumníků z Univerzity v Edinburghu a Univerzity v Cambridge ve Spojeném království, Univerzity v Aveiru v Portugalsku a Univerzity v Leidenu v Nizozemsku.

ANN, kterou tento tým vyvinul, byla školená na databázi existujících třítělesných problémů, stejně jako na výběr řešení, která vědci dříve vyřešili.

Výsledky byly více než slibné. Školená ANN slibuje být schopná najít řešení “100 milionůkrát rychleji než stávající techniky.”

Výsledný výzkumný článek, “Newton vs stroj: řešení chaotického třítělesného problému pomocí hlubokých neuronových sítí” uvádí, že, “Školená ANN může nahradit stávající numerické řešiče, umožňující rychlé a škálovatelné simulace mnoha tělesných systémů, aby osvětlily vynikající jevy, jako je tvorba dvojitých černých děr nebo původ jádra kolapsu v hustých hvězdných klastrů.”

ScienceAlert uvádí, že “vědci zjednodušili proces, aby zahrnoval pouze tři částice se stejnou hmotností v rovině, všechny začínající se nulovou rychlostí, a poté spustili stávající třítělesný problémový řešič zvaný Brutus 10 000krát (9 900 pro školení a 100 pro validaci).”

Po školení nová ANN dosáhla působivých výsledků. Byla jí dána 5 000 nových scénářů, se kterými pracovat, a téměř dokonale odpovídala výsledkům, kterých dosáhl Brutus.

Ačkoli studie ještě nebyla recenzována odborníky s vědomostmi a zkušenostmi v oboru a je stále spíše konceptem, jasně ukazuje, že školené neuronové sítě “mohou pracovat vedle Brutuse a podobných systémů, skáčících do třítělesných výpočtů, když se stanou příliš složitými pro naše současné modely.”

Jak tento tým výzkumníků uzavírá ve svém článku, “Nakonec si představujeme, že tato síť může být školená na bohatější chaotické problémy, jako je čtyřtělesný a pětitélesný problém, snižující výpočetní zátěž ještě více.”