Un tema di astrofisici è ricorso all’Intelligenza Artificiale per creare simulazioni tridimensionali complesse dell’Universo. Si chiama Deep Density Displacement Model, o D3M, ed è così veloce e precisa che il gruppo di scienziati che lo hanno progettato non sono nemmeno sicuri di come riesce a farlo.
Sostanzialmente, quello che questi sistema basato sull’Intelligenza Artificiale fa è simulare accuratamente il modo in cui la gravità ha influenza l’universo nel corso di miliardi di anni. Ogni simulazione effettuata tramite questo sistema richiede solo 30 millisecondi, rispetto ai minuti necessari per i sistemi di simulazione utilizzati finora.
L’aspetto più interessante è che L’AI D3M ha imparato dalle 8000 simulazioni di allenamento con cui il team lo ha alimentato, estrapolandole e superandole ampiamente, diventando capace di aggiustare parametri per i quali non era nemmeno stato addestrato.
“È come addestrare un software di riconoscimento delle immagini propinandogli immagini di cani e gatti, e scoprirlo poi capace di riconoscere gli elefanti, un fatto che lascia basiti“, ha detto l’astrofisica Shirley Ho del Flatiron Institute e della Carnegie Mellon University.
“Non sappiamo come lo fa né come funziona ed è un grande mistero da risolvere“.
Le osservazioni sull’universo che ci circonda possono fornire molte informazioni sulla sua evoluzione, ma ci sono dei limiti a ciò che possiamo vedere. Questo è il motivo per cui le simulazioni possono essere così utili.
Eseguendo simulazioni che producono risultati che corrispondono alle nostre osservazioni, così come le simulazioni che non lo fanno, gli scienziati possono capire gli scenari che più probabilmente hanno prodotto l’Universo in cui viviamo.
Ma la complessità della storia dell’Universo rende tali simulazioni piuttosto onerose dal punto di vista computazionale, il che significa che richiedono tempo per essere eseguite. Un singolo studio potrebbe richiedere migliaia di simulazioni per ottenere dati statistici utili.
È qui che entra in gioco D3M, sviluppato da un team internazionale di astrofisici computazionali. Questo sistema basato sull’AI calcola in che modo, per oltre 13,8 miliardi di anni (l’età dell’Universo), la gravità ha influenzato miliardi di particelle nello spazio.
Se dovessimo simulare movimento di queste particelle con un software non dotato di intelligenza artificiale, potrebbero essere necessarie fino a 300 ore di calcolo per una simulazione singola e molto accurata.
Per superare questo problema, il team di ricerca ha sviluppato una rete neurale per eseguire le simulazioni richieste e ha addestrato D3M alimentandolo con 8.000 diverse simulazioni dotate della massima precisione prodotte da simulazioni precedenti fino ad oggi.
Una volta che l’addestramento di D3M è stato completato e l’intelligenza artificiale è stata eseguita in modo accurato, è stato eseguito un primo test. I ricercatori hanno chiesto alla rete neurale di simulare un universo compreso in uno spazio di 600 milioni di anni luce per lato.
Per giudicare la qualità del lavoro dell’Intelligenza Artificiale, il team ha eseguito la stessa simulazione con un metodo molto lento di vecchia concezione che ha richiesto centinaia di ore di calcolo. Il confronto è stato effettuato anche un altro metodo di simulazione, più rapido ma meno preciso. Il sistema D3M ha richiesto solo un paio di minuti per eseguire la simulazione.
Come previsto, il metodo lento ha prodotto il risultato più accurato, mentre quello veloce ha prodotto un errore relativo del 9,3 percento.
D3M Ha eseguito la sua simulazione in soli 30 millisecondi e, rispetto al modello lento ma estremamente accurato, ha avuto solo un errore relativo di 2.8 per cento.
Ancora più impressionante, sebbene fosse stata addestrata su un singolo set di parametri, la rete neurale ha previsto la formazione della struttura dell’universo simulato sulla base di altri parametri sui quali non era stata addestrata, ad esempio calcolando opzioni diverse in base alla variabilità della quantità di materia.
Insomma, L’Intelligenza Artificiale su Rete Neurale sembra essere dotata di una flessibilità che la rende adatta a una serie di compiti complessi riguardanti le simulazioni ma il team di programmazione, prima di utilizzarla ancora, conta di capire in che modo l’AI si è regolata per completare la simulazione, utilizzando parametri sui quali non era stata addestrata.
“Potrebbe essere un gioco interessante per uno studente di programmazione di reti neurali capire perché, e come, questo modello estrapola così bene dati che neppure possiede; perché estrapola gli elefanti invece di riconoscere solo cani e gatti?“, ha detto Ho. “È una strada a doppio senso tra scienza e apprendimento profondo“.
E qualcosa che dovremmo capire meglio prima di affidarci completamente alle Intelligenze Artificiali.
La ricerca è stata pubblicata su PNAS .
