對于極其復雜的自然現(xiàn)象,例如亞原子粒子如何相互作用,以及大氣霧如何影響氣候等,即使利用人類擁有的最高性能超級計算機,建模也可能要花費幾個小時。然而,基于機器學習的人工智能仿真器則跳過了傳統(tǒng)的繁瑣步驟,借助完整模擬的輸入和輸出,能尋找模式并學習猜測新輸入將對模擬產(chǎn)生什么影響,而無論要建模的是原子、大氣還是星系,都可以實現(xiàn)大幅加速。
牛津大學物理學家穆罕默德·卡西姆領導了一項技術研究——深度仿真器網(wǎng)絡搜索(DENSE),是依賴于斯坦福大學計算機科學家開發(fā)的一種通用神經(jīng)結構搜索。它在網(wǎng)絡的輸入和輸出之間隨機插入計算層,用有限的數(shù)據(jù)測試和訓練生成的線路。如果添加的計算層可以提高性能,那么它還可進一步被應用在未來仿真器中,通過重復這個過程不斷改進。
在展示中,研究人員使用DENSE技術開發(fā)了10個仿真器,分別用于物理、天文、地質和氣候科學領域。DENSE仿真器表現(xiàn)極其出色——速度比其他模擬器快10萬到20億倍。
這些仿真器非常精確,其中天文仿真器的結果與全模擬的一致性超過99.9%,在這10次模擬中,神經(jīng)網(wǎng)絡仿真器比傳統(tǒng)仿真器要好得多。