Nyutvecklad Artificiell Neuronnätverk Ska Snabbt Lösa Ett Fysikproblem

Från Sir Isaac Newton och framåt har det så kallade tre-kropparsproblemet förbryllat matematiker och fysikforskare. Som ScienceAlert förklarar, “tre-kropparsproblemet innebär att beräkna rörelsen av tre gravitationellt samverkande kroppar – till exempel jorden, månen och solen – med hänsyn till deras initiala positioner och hastigheter.”

På ytan verkar detta problem vara enkelt, men i verkligheten är det ett extremt svårt problem att tackla. Ett av resultaten var införandet av till exempel marina kronometrar för att beräkna positioner till havs, snarare än att lösa tre-kropparsproblemet för att beräkna en sådan position med månen och stjärnorna.

Med den snabba utvecklingen av universums studier blev tre-kropparsproblemet en viktig del för forskare när de försöker förstå “hur svarta hål binärer kan interagera med enskilda svarta hål, och från där hur några av universums mest grundläggande objekt interagerar med varandra.”

För att göra dessa beräkningar möjliga inom en rimlig tid vände sig forskare och forskningsinstitutioner till användningen av ANN, djupa artificiella neuronnätverk. Det nya systemet utvecklades av ett team bestående av forskare från University of Edinburgh och University of Cambridge i Storbritannien, University of Aveiro i Portugal och Leiden University i Nederländerna.

Detta ANN-team utvecklade ett nätverk som tränades på en databas med befintliga tre-kropparsproblem samt ett urval av lösningar som forskare tidigare har funnit.

Resultaten var mer än lovande. Det tränade ANN lovar att kunna hitta lösningar “100 miljoner gånger snabbare än befintliga tekniker.”

Den resulterande forskningsrapporten, “Newton vs the machine: solving the chaotic three-body problem using deep neural networks” konstaterar att, “Ett tränat ANN kan ersätta befintliga numeriska lösningsmetoder, vilket möjliggör snabba och skalbara simuleringar av många-kropparssystem för att belysa utmärkande fenomen som bildandet av svarta hålbinära system eller ursprunget till kärnkollapsen i täta stjärnhopar.”

ScienceAlert noterar att “forskarna förenklade processen till att endast omfatta tre lika massiva partiklar i en plan, alla med start hastighet noll, och sedan körde en befintlig tre-kropparsproblemlösare kallad Brutus 10 000 gånger (9 900 för utbildning och 100 för validering).”

Efter utbildning kom det nya ANN med imponerande resultat. Det fick 5 000 nya scenarier att arbeta med och matchade nästan helt resultaten som Brutus uppnådde.

Även om studien ännu inte har granskats av experter med kunskap och erfarenhet inom området och fortfarande är mer av en bevisidé i detta skede, visar det säkert att tränade neuronnätverk “kan arbeta bredvid Brutus och liknande system, och hoppa in när tre-kropparsberäkningar blir för komplexa för våra nuvarande modeller att hantera.”

Som detta team av forskare konstaterar i sin rapport, “Till slut ser vi att detta nätverk kan tränas på rikare kaotiska problem, som 4- och 5-kropparsproblemet, och minska den beräkningstunga bördan ännu mer.”