从星系模型到原子简单的AI快捷键可将模拟速度提高数十亿倍

即使是最快的超级计算机，对极其复杂的自然现象(例如亚原子粒子如何相互作用或大气雾如何影响气候)进行建模也可能要花费数小时。仿真器是可以快速逼近这些详细模拟的算法，它们提供了捷径。现在，在线发布的工作展示了人工智能(AI)如何轻松地生成精确的仿真器，该仿真器可以加速数十亿次跨所有科学领域的仿真。

“这很重要，”在劳伦斯·利弗莫尔国家实验室(Lawrence Livermore National Laboratory)进行气候模拟的唐纳德·卢卡斯(Donald Lucas)说，他没有参与这项工作。他说，新系统会自动创建比其团队设计和训练的模拟器更好，更快的模拟器，通常是手工完成的。新的仿真器可用于改进它们模仿的模型，并帮助科学家在实验设施中充分利用自己的时间。卢卡斯说，如果这项工作能够得到同行的评审，它将“极大地改变事情。”

一个典型的计算机模拟可能会在每个时间步长上计算物理力如何影响原子，云，星系，无论所建模的是什么。基于一种称为机器学习的AI形式的仿真器跳过了繁琐的自然再现。借助完整模拟的输入和输出，仿真器寻找模式并学习猜测新输入将对模拟产生什么影响。但是为他们创建训练数据需要多次运行完整的仿真，这正是模拟器要避免的事情。

新的仿真器基于神经网络(受大脑布线启发的机器学习系统)，并且所需的培训少得多。神经网络由简单的计算元素组成，这些元素链接到特定于不同任务的电路中。通常，连接强度是通过培训来发展的。但是，使用称为神经体系结构搜索的技术，可以确定给定任务的数据效率最高的接线方式。

该技术称为深度仿真器网络搜索(DENSE)，它依赖于斯坦福大学计算机科学家Melody Guan共同开发的通用神经体系结构搜索。它在网络的输入和输出之间随机插入计算层，并使用有限的数据测试和训练所得的布线。如果增加了一层可以提高性能，则将来的版本中很可能包含它。重复该过程可以改善仿真器。关说，看到她的作品使用“走向科学发现”是“令人兴奋的”。牛津大学的物理学家穆罕默德·卡西姆(Muhammad Kasim)领导了这项研究，该研究于1月份发布在预打印服务器arXiv上，他说，他的团队建立在关的研究之上，因为它平衡了准确性和效率。

研究人员使用DENSE开发了用于10个模拟的仿真器-物理，天文学，地质学和气候科学。例如，一种模拟方法模拟了烟灰和其他大气气溶胶反射和吸收阳光的方式，从而影响了全球气候。运行可能需要一千个小时的计算机时间，因此，牛津大学大气物理学家，研究合著者邓肯·沃森·帕里斯(Duncan Watson-Parris)有时会使用机器学习模拟器。但是，他说，设置起来很棘手，而且无论您提供多少数据，它都无法产生高分辨率输出。

相比之下，尽管缺少数据，但DENSE创建的仿真器仍然表现出色。当它们使用专门的图形处理芯片进行涡轮增压时，它们的速度比其仿真快约100,000至20亿倍。加速器对于仿真器而言并不罕见，但它们非常准确：在一个比较中，天文学仿真器的结果与完整仿真的结果相差99.9%以上，而在10个仿真中，神经网络仿真器要好得多比传统的 Kasim说，他认为DENSE每次模拟都需要成千上万的训练示例，才能达到这些精确度。在大多数情况下，它使用了数千个，而在喷雾剂情况下，仅使用了几十个。