Νέα Εξελιγμένη Τεχνητή Νευρωνική Δίκτυο Προγραμματισμένο Να Λύσει Γρήγορα Ένα Φυσικό Πρόβλημα

Από τον Σερ Ίσαακ Νιούτον και μετά, το così-καλούμενο τρι-σώματος πρόβλημα έχει μπερδέψει τους μαθηματικούς και τους ερευνητές της φυσικής. Όπως εξηγεί το ScienceAlert , “το τρι-σώματος πρόβλημα αφορά τον υπολογισμό της κίνησης τριών σωμάτων που αλληλεπιδρούν βαρυτικά – όπως για παράδειγμα η Γη, η Σελήνη και ο Ήλιος – δεδομένων των αρχικών θέσεων και ταχυτήτων τους.”

Εξωτερικά, αυτό το πρόβλημα φαίνεται απλό, αλλά στην πραγματικότητα είναι ένα εξαιρετικά δύσκολο πρόβλημα να αντιμετωπιστεί. Ένα από τα αποτελέσματα ήταν η εισαγωγή, για παράδειγμα, των θαλάσσιων χρονομέτρων για τον υπολογισμό των θέσεων στη θάλασσα, αντί να επιλύουν το τρι-σώματος πρόβλημα υπολογίζοντας μια τέτοια θέση από τη Σελήνη και τα αστέρια.

Με την ταχεία πρόοδο της μελέτης του Σύμπαντος, το τρι-σώματος πρόβλημα έγινε ένα σημαντικό μέρος για τους ερευνητές όταν προσπαθούν να κατανοήσουν “πώς οι δίδυμοι μαύρες τρύπες αλληλεπιδρούν με μονές μαύρες τρύπες, και από εκεί πώς κάποια από τα πιο θεμελιώδη αντικείμενα του Σύμπαντος αλληλεπιδρούν μεταξύ τους.”

Για να κάνουν αυτούς τους υπολογισμούς εφικτούς σε ένα λογικό χρόνο, οι επιστήμονες και οι ερευνητές έστρεψαν στη χρήση του ANN, βαθιά τεχνητά νευρωνικά δίκτυα. Το νέο σύστημα αναπτύχθηκε από μια ομάδα που αποτελείται από ερευνητές από το Πανεπιστήμιο του Εδιμβούργου και το Πανεπιστήμιο του Κέιμπριτζ στο Ηνωμένο Βασίλειο, το Πανεπιστήμιο της Αβέιρου στην Πορτογαλία και το Πανεπιστήμιο του Λέιντεν στην Ολλανδία.

Το ANN που ανέπτυξε αυτή η ομάδα εκπαιδεύτηκε σε μια βάση δεδομένων υφιστάμενων τρι-σώματος προβλημάτων, καθώς και σε μια επιλογή λύσεων που οι επιστήμονες είχαν προηγουμένως βρει.

Τα αποτελέσματα ήταν περισσότερο από υποσχόμενα. Το εκπαιδευμένο ANN υπόσχεται να είναι ικανό να βρει λύσεις “100 εκατομμύρια φορές ταχύτερα από τις υπάρχουσες τεχνικές.”

Η αντίστοιχη έρευνα, “Newton vs the machine: solving the chaotic three-body problem using deep neural networks” αναφέρει ότι, “Ένα εκπαιδευμένο ANN μπορεί να αντικαταστήσει τις υπάρχουσες αριθμητικές λύσεις, επιτρέποντας γρήγορες και κλιμακωτές προσομοιώσεις πολλών σωμάτων για να φωτίσει εξαιρετικά φαινόμενα όπως η δημιουργία διπλών μαύρων τρυπών ή η προέλευση της κατάρρευσης του πυρήνα σε πυκνές αστρικές συσσωματώσεις.”

Το ScienceAlert σημειώνει ότι “οι ερευνητές απλοποίησαν τη διαδικασία για να περιλαμβάνει μόνο τρία σώματα ίσων μαζών σε ένα επίπεδο, όλα αρχίζοντας με μηδενική ταχύτητα, και στη συνέχεια έτρεξαν μια υπάρχουσα λύση τρι-σώματος που ονομάζεται Brutus 10.000 φορές (9.900 για εκπαίδευση και 100 για επαλήθευση).”

Μετά την εκπαίδευση, το νέο ANN έδωσε εντυπωσιακά αποτελέσματα. Του δόθηκαν 5.000 νέες περιπτώσεις για να εργαστεί και συνέπεσε σχεδόν απόλυτα με τα αποτελέσματα που έδωσε ο Brutus.

Ενώ η μελέτη ακόμη δεν έχει υποβληθεί σε κριτική από επιστήμονες με τη γνώση και την εμπειρία στο πεδίο και είναι ακόμη περισσότερο ένα concept στο στάδιο αυτό, δείχνει σαφώς ότι τα εκπαιδευμένα νευρωνικά δίκτυα “μπορεί να εργαστούν μαζί με τον Brutus και παρόμοια συστήματα,介入 όταν τα τρι-σώματος υπολογισμοί γίνονται πολύ σύνθετοι για τα τρέχοντα μοντέλα μας να τα αντιμετωπίσουν.”

Όπως αυτή η ομάδα ερευνητών συνειδητοποιεί στην εργασία τους, “Τελικά, φανταζόμαστε ότι αυτό το δίκτυο μπορεί να εκπαιδευτεί σε πλουσιότερα χαотικά προβλήματα, όπως το 4 και 5-σώματος πρόβλημα, μειώνοντας ακόμη περισσότερο το υπολογιστικό φορτίο.”