Новоразвијена вештачка неуронска мрежа за брзо решавање проблема из физике

Од сер Исака Њутна па надаље, такозвани проблем три тела збунио је математичаре и истраживаче физике. Као СциенцеАлерт објашњава, „проблем са три тела укључује израчунавање кретања три тела која су у гравитационој интеракцији – као што су, на пример, Земља, Месец и Сунце – с обзиром на њихове почетне позиције и брзине.

На први поглед, овај проблем изгледа једноставан, али у стварности га је изузетно тешко решити. Један од резултата било је увођење рецимо морских хронометара за израчунавање положаја на мору, а не решавање проблема са три тела израчунавањем таквог положаја од стране Месеца и звезда.

Са брзим напретком проучавања универзума, проблем са три тела постао је важан део за истраживаче када покушавају да схвате „како црна рупа бинарне датотеке могу бити у интеракцији са појединачним Црне рупе, и одатле како неки од најосновнијих објеката Универзума међусобно делују.”

Да би ови прорачуни били изводљиви у разумном времену, научници и истраживачи су прибегли употреби АНН, дубоких вештачких неуронских мрежа. Нови систем је развио тим састављен од истраживача из Универзитет у Единбургу и Универзитет Кембриџ у Великој Британији, Универзитет Авеиро у Португалу и Универзитет Леиден у Холандији.

АНН који је овај тим развио је обучен за базу података о постојећим проблемима са три тела, као и за избор решења која су научници раније открили.

Резултати су били више него обећавајући. Обучени АНН обећава да ће бити способан да пронађе решења “100 милиона пута брже од постојећих техника.”

Добијени истраживачки рад, „Њутн против машине: решавање хаотичног проблема са три тела помоћу дубоких неуронских мрежа“ наводи да, „Обучени АНН може да замени постојеће нумеричке решаваче, омогућавајући брзе и скалабилне симулације система са више тела да расветле изванредне појаве као што је формирање бинарних система црних рупа или порекло колапса језгра у густим звезданим јатом.

СциенцеАлерт напомиње да „ истраживачи су поједноставили процес како би укључили само три честице једнаке масе у равни, све почевши са нултом брзином, а затим покренули постојећи решавач проблема са три тела звани Брут 10,000 пута више (9,900 за обуку и 100 за валидацију).“

Након обуке, нови АНН је дошао до импресивних резултата. Добио је 5,000 нових сценарија за рад и скоро у потпуности одговара резултатима које је Брут постигао.

Иако студија тек треба да буде рецензирана од стране научника са знањем и искуством у овој области и још увек је више као доказ концепта у овој фази, то свакако показује да би обучене неуронске мреже „могле бити у стању да раде заједно са Брутусом и сличним системима, ускачући када прорачуни са три тела постану превише сложени да би наши тренутни модели могли да се носе са њима“.

Како овај тим истраживача закључује у свом раду, „На крају, предвиђамо да би та мрежа могла бити обучена за богатије хаотичне проблеме, као што је проблем са 4 и 5 тела, смањујући још више рачунарско оптерећење.