Nieuw ontwikkelde kunstmatig neurale netwerk gaat snel een natuurkundig probleem oplossen

Van Sir Isaac Newton tot nu toe heeft het zogenaamde driedelig probleem wiskundigen en natuurkundigen voor een raadsel gesteld. Zoals ScienceAlert uitlegt, “het driedelig probleem houdt in dat de beweging van drie zwaartekrachtelijk interactieve lichamen – zoals de Aarde, de Maan en de Zon, bijvoorbeeld – wordt berekend op basis van hun beginposities en -snelheden.”

Op het eerste gezicht lijkt dit probleem eenvoudig, maar in werkelijkheid is het een extreem moeilijk probleem om aan te pakken. Een van de resultaten was de introductie van bijvoorbeeld marine chronometers om posities op zee te berekenen, in plaats van het oplossen van het driedelig probleem om zo’n positie te berekenen met behulp van de Maan en de sterren.

Met de snelle vooruitgang van de studie van het universum, werd het driedelig probleem een belangrijk onderdeel voor onderzoekers die proberen te begrijpen “hoe zwarte gaten binair kunnen interactie hebben met enkele zwarte gaten, en van daaruit hoe sommige van de meest fundamentele objecten in het universum met elkaar interactie hebben.”

Om deze berekeningen haalbaar te maken in een redelijke tijd, hebben wetenschappers en onderzoekers hun toevlucht genomen tot het gebruik van ANN, diepe kunstmatige neurale netwerken. Het nieuwe systeem is ontwikkeld door een team bestaande uit onderzoekers van de Universiteit van Edinburgh en de Universiteit van Cambridge in het VK, de Universiteit van Aveiro in Portugal en de Universiteit van Leiden in Nederland.

Het ANN dat dit team heeft ontwikkeld, is getraind op een database van bestaande driedelig problemen, evenals een selectie van oplossingen die wetenschappers eerder hebben gevonden.

De resultaten waren meer dan veelbelovend. Het getrainde ANN belooft in staat te zijn om oplossingen te vinden “100 miljoen keer sneller dan bestaande technieken.”

Het resulterende onderzoeksrapport, “Newton vs de machine: het oplossen van het chaotische driedelig probleem met behulp van diepe neurale netwerken” stelt dat, “Een getraind ANN kan bestaande numerieke oplossers vervangen, waardoor snelle en schaalbare simulaties van veellichamige systemen mogelijk worden om licht te werpen op uitstekende fenomenen zoals de vorming van zwarte-gatbinairsystemen of de oorsprong van de core-collapse in dichte sterclusters.”

ScienceAlert merkt op dat “de onderzoekers het proces hebben vereenvoudigd tot alleen drie gelijkwaardige deeltjes in een vlak, allemaal startend met nul snelheid, en vervolgens een bestaande driedelig probleemoplosser genaamd Brutus 10.000 keer hebben uitgevoerd (9.900 voor training en 100 voor validatie).”

Na de training heeft het nieuwe ANN indrukwekkende resultaten behaald. Het kreeg 5.000 nieuwe scenario’s om mee te werken en het kwam vrijwel volledig overeen met de resultaten die Brutus had behaald.

Hoewel de studie nog moet worden beoordeeld door wetenschappers met kennis en ervaring in het veld en nog meer een bewijs van concept is op dit moment, toont het zeker aan dat getrainde neurale netwerken “naast Brutus en soortgelijke systemen kunnen werken, en kunnen inspringen wanneer driedelig berekeningen te complex worden voor onze huidige modellen om mee om te gaan.”

Zoals dit team van onderzoekers concludeert in hun rapport, “Uiteindelijk zien we voor ons dat dit netwerk getraind kan worden op rijkere chaotische problemen, zoals het 4- en 5-lichaamsprobleem, waardoor de computatiebelasting nog verder wordt verlicht.”