Nyudviklet kunstig neuralt netværk kan løse et fysikproblem hurtigt

Lige siden Sir Isaac Newton har det såkaldte tre-legeme-problem forvirret matematikere og fysikforskere. Som ScienceAlert forklarer, “tre-legeme-problemet indebærer beregning af bevægelsen af tre gravitationelt interagerende legemer – som fx Jorden, Månen og Solen – givet deres oprindelige positioner og hastigheder.”

På overfladen synes dette problem at være enkelt, men i virkeligheden er det et ekstremt svært problem at tackle. En af resultaterne var introduktionen af fx marine kronometre til at beregne positioner til søs, snarere end at løse tre-legeme-problemet ved at beregne en sådan position ved Månen og stjernerne.

Med den hurtige fremgang i studiet af universet blev tre-legeme-problemet et vigtigt punkt for forskere, da de forsøgte at finde ud af “hvordan sorte huller-binærer måske interagerer med enkelt sort hul, og derefter hvordan nogle af universets mest grundlæggende objekter interagerer med hinanden.”

For at gøre disse beregninger mulige på en rimelig tid resortede videnskabsmænd og forskere til brug af ANN, dybe kunstige neurale netværk. Det nye system blev udviklet af et hold bestående af forskere fra University of Edinburgh og University of Cambridge i Storbritannien, University of Aveiro i Portugal og Leiden University i Holland.

Det ANN, som dette hold udviklede, blev trænet på en database af eksisterende tre-legeme-problemer samt en udvalg af løsninger, som videnskabsmænd tidligere havde fundet.

Resultaterne var mere end lovende. Det trænede ANN lover at være i stand til at finde løsninger “100 millioner gange hurtigere end eksisterende metoder.”

Den resulterende forskningsrapport, “Newton vs maskinen: løsning af det kaotiske tre-legeme-problem ved hjælp af dybe neurale netværk” fastslår, at “Et trænet ANN kan erstatte eksisterende numeriske løsere, hvilket muliggør hurtige og skalerbare simulationer af mange-legeme-systemer for at kaste lys over fremragende fænomener som dannelse af sorte hul-binærsystemer eller oprindelsen af kernekollaps i tætte stjerneklaser.”

ScienceAlert bemærker, at “forskerne forenklede processen til kun at omfatte tre lige-masse-partikler i en plane, alle startende med nul hastighed, og derefter kørte en eksisterende tre-legeme-problemløser kaldet Brutus 10.000 gange (9.900 til træning og 100 til validering).”

Efter træning kom det nye ANN med imponerende resultater. Det fik 5.000 nye scenarier at arbejde med, og det matchede resultaterne, som Brutus opnåede næsten fuldstændigt.

Selvom studiet endnu ikke er gennemgået peer-review af videnskabsmænd med viden og erfaring på området og stadig er mere af en proof-of-concept på dette stadie, viser det bestemt, at trænede neurale netværk “måske kan arbejde sammen med Brutus og lignende systemer, jumping in when tre-legeme-beregninger bliver for komplekse for vores nuværende modeller at klare.”

Som dette hold af forskere konkluderer i deres rapport, “Til sidst forestiller vi os, at netværket kan blive trænet på rigere kaotiske problemer, såsom 4- og 5-legeme-problemet, hvilket reducerer den beregningsmæssige byrde endnu mere.”