Neu entwickeltes künstliches Neuronales Netzwerk soll ein Physik-Problem schnell lösen

Seit Sir Isaac Newton ist das sogenannte Dreikörperproblem ein Dorn im Auge von Mathematikern und Physikforschern. Wie ScienceAlert erklärt, „das Dreikörperproblem beinhaltet die Berechnung der Bewegung von drei durch Gravitation miteinander wechselwirkenden Körpern – wie zum Beispiel die Erde, der Mond und die Sonne – unter Berücksichtigung ihrer Anfangspositionen und -geschwindigkeiten.”

Auf den ersten Blick scheint dieses Problem einfach zu sein, aber in Wirklichkeit ist es extrem schwierig zu lösen. Eine der Folgen war die Einführung von Seekarten, um Positionen auf See zu berechnen, anstatt das Dreikörperproblem zu lösen, um eine solche Position mit dem Mond und den Sternen zu berechnen.

Mit der schnellen Entwicklung der Erforschung des Universums wurde das Dreikörperproblem zu einem wichtigen Teil für Forscher, wenn sie versuchen, zu verstehen, „wie schwarze Löcher-Paare mit einzelnen schwarzen Löchern interagieren könnten und wie einige der grundlegendsten Objekte des Universums miteinander interagieren.”

Um diese Berechnungen in einer vernünftigen Zeit durchzuführen, griffen Wissenschaftler und Forscher auf die Verwendung von künstlichen neuronalen Netzen (ANN) zurück. Das neue System wurde von einem Team entwickelt, das aus Forschern der University of Edinburgh und der University of Cambridge in Großbritannien, der University of Aveiro in Portugal und der Leiden University in den Niederlanden bestand.

Das von diesem Team entwickelte ANN wurde auf einer Datenbank bestehender Dreikörperprobleme sowie auf einer Auswahl von Lösungen trainiert, die Wissenschaftler zuvor bereits gefunden hatten.

Die Ergebnisse waren mehr als vielversprechend. Das trainierte ANN verspricht, Lösungen „100 Millionen Mal schneller als bestehende Techniken” zu finden.

Die resultierende Forschungsarbeit, “Newton vs. die Maschine: Lösung des chaotischen Dreikörperproblems mit Hilfe von tiefen neuronalen Netzen”, besagt, dass „ein trainiertes ANN bestehende numerische Solver ersetzen kann, um schnelle und skalierbare Simulationen von Vielkörper-Systemen zu ermöglichen, um Licht auf hervorragende Phänomene wie die Bildung von schwarzen Löchern oder den Ursprung des Kernkollapses in dichten Sternhaufen zu werfen.”

ScienceAlert bemerkt, dass „die Forscher den Prozess vereinfachten, um nur drei Teilchen mit gleicher Masse in einer Ebene zu berücksichtigen, die alle mit Nullgeschwindigkeit starteten, und dann einen bestehenden Dreikörper-Problem-Solver genannt Brutus 10.000 Mal ausführten (9.900 für das Training und 100 für die Validierung).”

Nach dem Training erzielte das neue ANN beeindruckende Ergebnisse. Es erhielt 5.000 neue Szenarien, um daran zu arbeiten, und entsprach den Ergebnissen, die Brutus fast vollständig erreicht hatte.

Obwohl die Studie noch nicht von Wissenschaftlern mit entsprechender Erfahrung und Kenntnissen im Bereich überprüft wurde und noch mehr ein Konzeptbeweis ist, zeigt sie zweifellos, dass trainierte neuronale Netze „neben Brutus und ähnlichen Systemen arbeiten könnten, wenn Dreikörperberechnungen zu komplex für unsere aktuellen Modelle werden.”

Wie dieses Team von Forschern in ihrer Arbeit schlussfolgert, „stellen wir uns vor, dass das Netzwerk auf reichere chaotische Probleme wie das 4- und 5-Körper-Problem trainiert werden kann, um die Rechenlast noch weiter zu reduzieren.”