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。