Nowo Opracowany Sztuczny Sieć Neuronowa Rozwiązuje Szybko Problem Fizyki

Od sir Isaaca Newtona, tzw. problem trzech ciał sprawiał trudności matematykom i badaczom fizyki. Jak wyjaśnia ScienceAlert , “problem trzech ciał polega na obliczaniu ruchu trzech ciał oddziałujących grawitacyjnie – takich jak Ziemia, Księżyc i Słońce, na przykład – biorąc pod uwagę ich początkowe położenia i prędkości.”

Na powierzchni problem ten wydaje się prosty, ale w rzeczywistości jest to bardzo trudny problem do rozwiązania. Jednym z wyników było wprowadzenie morskich chronometrów do obliczania pozycji na morzu, zamiast rozwiązywania problemu trzech ciał, aby obliczyć taką pozycję za pomocą Księżyca i gwiazd.

Wraz z szybkim postępem w badaniach Wszechświata, problem trzech ciał stał się ważnym elementem dla badaczy, gdy próbowali ustalić, “jak czarne dziury binarne mogą oddziaływać z pojedynczymi czarnymi dziurami, i jak niektóre z najbardziej fundamentalnych obiektów Wszechświata oddziałują ze sobą.”

Aby uczynić te obliczenia wykonalnymi w rozsądnym czasie, naukowcy i badacze odwołali się do użycia SNN, głębokich sztucznych sieci neuronowych. Nowy system został opracowany przez zespół składający się z badaczy z Uniwersytetu Edynburskiego i Uniwersytetu Cambridge w Wielkiej Brytanii, Uniwersytetu Aveiro w Portugalii i Uniwersytetu w Leiden w Holandii.

SNN opracowany przez ten zespół został przeszkolony na bazie istniejących problemów trzech ciał, a także na wybranej liście rozwiązań, które wcześniej ustalili naukowcy.

Wyniki były więcej niż obiecujące. Przeszkolony SNN obiecuje być w stanie znaleźć rozwiązania “100 milionów razy szybciej niż istniejące techniki.”

Wynikający z tego artykuł, “Newton vs maszyna: rozwiązywanie chaotycznego problemu trzech ciał za pomocą głębokich sieci neuronowych” stwierdza, że, “Przeszkolony SNN może zastąpić istniejące numeryczne rozwiązania, umożliwiając szybkie i skalowalne symulacje wielu ciał, aby rzucić światło na wybitne zjawiska, takie jak tworzenie się systemów podwójnych czarnych dziur lub pochodzenie kolapsu jądra w gęstych klastrach gwiazd.”

ScienceAlert zauważa, że “badacze uproszczali proces, aby obejmował tylko trzy cząstki o równych masach w płaszczyźnie, wszystkie zaczynające się z zerową prędkością, a następnie uruchomili istniejący rozwiązanie problemu trzech ciał zwanego Brutus 10 000 razy (9 900 do szkolenia i 100 do walidacji).”

Po przeszkoleniu nowy SNN dał imponujące wyniki. Został poddany 5 000 nowym scenariuszom i prawie całkowicie dopasował wyniki osiągnięte przez Brutusa.

Chociaż badanie jeszcze nie zostało poddane recenzji przez naukowców z doświadczeniem w tej dziedzinie i jest nadal bardziej pojęciem dowodowym na tym etapie, pokazuje ono, że przeszkolone sieci neuronowe “mogą pracować obok Brutusa i podobnych systemów, wskakując, gdy obliczenia trzech ciał stają się zbyt złożone dla naszych obecnych modeli, aby mogły sobie z nimi poradzić.”

Jak zespół badaczy stwierdza w swoim artykule, “W końcu wyobrażamy sobie, że sieć ta może być przeszkolona na bogatszych chaotycznych problemach, takich jak problem czterech i pięciu ciał, zmniejszając obciążenie obliczeniowe jeszcze bardziej.”