Nieuw ontwikkeld kunstmatig neuraal netwerk ingesteld om snel een natuurkundig probleem op te lossen

Vanaf Sir Isaac Newton heeft het zogenaamde drielichamenprobleem wiskundigen en natuurkundigen in de war gebracht. Als ScienceAlert legt uit, "het probleem met drie lichamen omvat het berekenen van de beweging van drie door zwaartekracht op elkaar inwerkende lichamen - zoals bijvoorbeeld de aarde, de maan en de zon - gegeven hun oorspronkelijke posities en snelheden.

Op het eerste gezicht lijkt dit probleem eenvoudig, maar in werkelijkheid is het buitengewoon moeilijk om aan te pakken. Een van de resultaten was de introductie van bijvoorbeeld scheepschronometers om posities op zee te berekenen, in plaats van het probleem met drie lichamen op te lossen door een dergelijke positie door de maan en de sterren te berekenen.

Met de snelle vooruitgang van de studie van het heelal, werd het probleem met drie lichamen een belangrijk onderdeel voor onderzoekers wanneer ze proberen erachter te komen "hoe zwart gat binaire bestanden kunnen interageren met single zwarte gaten, en van daaruit hoe enkele van de meest fundamentele objecten van het universum met elkaar omgaan.”

Om deze berekeningen binnen een redelijke tijd haalbaar te maken, namen wetenschappers en onderzoekers hun toevlucht 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 Leiden in Nederland.

De ANN die dit team heeft ontwikkeld, is getraind op een database van bestaande problemen met drie lichamen en op een selectie van oplossingen die wetenschappers eerder hebben bedacht.

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

Het resulterende onderzoeksdocument, "Newton versus de machine: het chaotische probleem met drie lichamen oplossen met behulp van diepe neurale netwerken" zegt dat, "Een getrainde ANN kan bestaande numerieke oplossers vervangen, waardoor snelle en schaalbare simulaties van systemen met meerdere lichamen licht kunnen werpen op opmerkelijke fenomenen zoals de vorming van binaire systemen met zwarte gaten of de oorsprong van het instorten van de kern in dichte sterrenhopen."

ScienceAlert merkt op dat “de onderzoekers vereenvoudigden het proces om slechts drie deeltjes van gelijke massa in een vlak op te nemen, allemaal beginnend met nulsnelheid, en voerden vervolgens een bestaande probleemoplosser met drie lichamen uit Brutus genoemd 10,000 keer (9,900 voor training en 100 voor validatie).”

Na de training kwam het nieuwe ANN met indrukwekkende resultaten. Het kreeg 5,000 nieuwe scenario's om mee te werken en kwam bijna volledig overeen met de resultaten die Brutus behaalde.

Terwijl de studie nog door vakgenoten moet worden beoordeeld, door wetenschappers met de kennis en ervaring in het veld en dat nog steeds is meer een proof-of-concept in dit stadium, het laat zeker zien dat getrainde neurale netwerken "misschien naast Brutus en soortgelijke systemen kunnen werken, en inspringen wanneer berekeningen met drie lichamen te complex worden voor onze huidige modellen om ermee om te gaan."

Zoals dit team van onderzoekers in hun paper concludeert, "Uiteindelijk stellen we ons voor dat dat netwerk kan worden getraind op rijkere chaotische problemen, zoals het probleem met 4 en 5 lichamen, waardoor de rekenlast nog meer wordt verminderd."