Nyutviklet kunstig nevralt nettverk kan løse et fysisk problem raskt

Fra Sir Isaac Newton og fremover, har det såkalte tre-legeme-problemet forvirret matematikere og fysikkforskere. Som ScienceAlert forklarer, “tre-legeme-problemet innebærer å beregne bevegelsen til tre gravitasjonsinteraktive legemer – som for eksempel Jorden, Månen og Solen – gitt deres opprinnelige posisjoner og hastigheter.”

På overflaten ser dette problemet ut til å være enkelt, men i virkeligheten er det et ekstremt hardt problem å løse. En av resultater var innføringen av marine kronometre for å beregne posisjoner til sjøs, i stedet for å løse tre-legeme-problemet ved å beregne en slik posisjon ved hjelp av Månen og stjernene.

Med den raske fremgangen i studiet av universet, ble tre-legeme-problemet et viktig del for forskere når de prøver å forstå “hvordan svarte hull binærer kan samhandle med enkelt svarte hull, og fra der hvordan noen av de mest grunnleggende objekter i universet samhandler med hverandre.”

For å gjøre disse beregningene mulige i en rimelig tid, tok forskere og forskere i bruk ANN, dype kunstige nevrale nettverk. Det nye systemet ble utviklet av et team bestående av forskere fra University of Edinburgh og University of Cambridge i Storbritannia, University of Aveiro i Portugal og Leiden University i Nederland.

ANN som dette teamet utviklet, ble trent på en database med eksisterende tre-legeme-problemer samt en rekke løsninger som forskere tidligere hadde funnet.

Resultatene var mer enn lovende. Det trente ANN lover å være i stand til å finne løsninger “100 millioner ganger raskere enn eksisterende metoder.”

Den resulterende forskningsrapporten, “Newton vs maskinen: løsning av det kaotiske tre-legeme-problemet ved hjelp av dype nevrale nettverk” sier at, “Et trent ANN kan erstatte eksisterende numeriske løsere, og muliggjøre rask og skalerbar simulering av mange-legeme-systemer for å kaste lys over utmerkede fenomener som dannelse av svarte hull-binærsystemer eller opprinnelsen til kjerne-kollaps i tette stjerne-kluster.”

ScienceAlert bemerker at “forskerne forenklet prosessen til å bare inkludere tre like-masse-partikler i en plane, alle startende med null hastighet, og deretter kjørte en eksisterende tre-legeme-problem-løser kalt Brutus 10 000 ganger (9 900 for trening og 100 for validering).”

Etter trening, kom det nye ANN med imponerende resultater. Det fikk 5 000 nye scenarioer å jobbe med, og det matchet resultatene som Brutus oppnådde nesten fullstendig.

Selv om studien ennå ikke har blitt fagfellevurdert av vitenskapsmenn med kunnskap og erfaring i feltet, og fortsatt er mer av en bevis-for-konsept på dette stadiet, viser det absolutt at trente nevrale nettverk “kanskje kan jobbe sammen med Brutus og lignende systemer, og hoppe inn når tre-legeme-beregninger blir for komplekse for våre nåværende modeller å håndtere.”

Som dette teamet av forskere konkluderer i deres rapport, “Til slutt ser vi for oss at nettverket kan bli trent på rikere kaotiske problemer, som 4- og 5-legeme-problemet, og redusere den beregningsmessige byrden enda mer.”