来历：新智元

[新智元导读]CMU和UC Berkeley等组织的研讨人员推出了全球首个AI世界三维模仿器，可在几毫秒内完结模仿，而且愈加精确。更让人震动的是在调整参数后，无需调参练习仍能精确模仿世界！“就像运用猫狗图片练习辨认软件，最终能辨认大象”相同让人震动。

最近，一组来自CMU和UC Berkeley等研讨组织的研讨人员首先推出了全球首个AI世界三维模仿器。这个模仿器不只速度快而且精度高，调参后无需练习仍能精确模仿，乃至连它的创造者都不知道它是怎么做到的。

世界中暗物质的数量都能核算

几十年来，科学家们一向运用核算机模仿来测验并用数字技能对咱们世界的来源和演化进行逆向工程。运用现代技能的最佳的传统办法需求几分钟时刻来发生杰出的成果。现在，这个全球首个AI世界模仿器在几毫秒内，就能发生更高精度的成果。

论文中说到：“在这里，咱们建立了一个深层的神经网络来猜测世界的结构构成。它优于传统的快速剖析近似法，而且能够在练习数据之外精确地进行外推。”

也便是说，它不只做了开发人员制作它做的作业——模仿不同引力条件下世界的演化——它还为它没有练习过的变量发生了精确的成果。例如，它陈述的一个让科学家们惊奇的特别参数是，世界中暗物质的数量。

研讨小组没有依据暗物质含量不同的数据来练习这个名为“深密度位移模型”（D3M）的体系，但是AI（依据研讨，精确地）依据它所练习的数据的推论改动了这些值。

正如论文的合著者Shirley Ho所言：“这就像用很多的猫狗图片教图像辨认软件相同，但随后软件能够辨认大象。没有人知道它是怎么做到的，这是一个很隐晦的谜。”

8000种不同模仿练习模型

像D3M那样的核算机模仿已成为理论天体物理学的必要条件。科学家们想知道世界在不同的情况下是怎么演化的，例如，比方暗能量将世界拉离的时刻是不同的。这些研讨需求进行数千次模仿，做一个闪电般快速且高度精确的核算机模型成为现代天体物理学的首要方针之一。

D3M模仿引力怎么刻画世界。研讨人员挑选仅重视引力，由于它是迄今为止世界大规模演化中最重要的力气。

最精确的世界模仿核算了引力怎么在世界的整个生命中移动数十亿个单个粒子。这种精度需求时刻，一次模仿需求大约300个核算小时。更快的办法能够在两分钟内完结相同的模仿，但价值便是精度会下降。

研讨人员经过从可用的最高精度模型中供给了8，000种不同的模仿，来练习D3M运用的深度神经网络。神经网络获取练习数据并对数据进行核算； 然后研讨人员将成果与预期成果进行比较。经过进一步练习，神经网络会跟着时刻的推移而习惯，然后发生更快、更精确的成果。

在练习D3M之后，研讨人员对6亿光年的箱形世界进行了模仿，并将成果与慢速和快速模型的成果进行了比较。慢速但精确的办法每次模仿需求数百小时的核算时刻，而现有的快速办法需求几分钟，但D3M能够在30毫秒内完结模仿。

D3M也能发生精确的成果。与高精度模型比较，D3M的相对差错为2.8%。运用相同的比较，现有的快速模型的相对差错为9.3%。

研讨人员标明，D3M在处理练习数据中未发现的参数改动方面具有特殊的才能，这使得它成为一个特别有用和灵敏的东西。除了模仿其他力，如流体动力学，研讨团队期望了解更多关于模型是怎么运作的。

图1：由D3M发生的位移矢量场（左）和由此发生的密度场（右）。

 图2：各列经过各种模型显现了完好粒子散布（上）和位移矢量（下）的2D切片：FastPM，方针ground truth，根据PM解算器（A）的近似N体模仿计划；ZA，沿初始速度矢量（B）演化粒子的简略线性模型；2LPT，常用的剖析近似（C）和本文的深度学习模型D3M（D）。尽管FastPM（A）是研讨团队的ground truth，B-D包含点或向量的色彩。色彩标明方针方位（A）或位移矢量与各种办法（B-D）猜测散布之间的相对差异（qmodel−qtarget）/qtarget。差错条标明，密度较大的区域一切办法都有较大的差错，这标明关于一切模型（D3M，2LPT和ZA），很难正确猜测高度非线性区域。他们的D3M模型在上述B-D模型中猜测和ground truth之间的差异最小。 图2：各列经过各种模型显现了完好粒子散布（上）和位移矢量（下）的2D切片：FastPM，方针ground truth，根据PM解算器（A）的近似N体模仿计划；ZA，沿初始速度矢量（B）演化粒子的简略线性模型；2LPT，常用的剖析近似（C）和本文的深度学习模型D3M（D）。尽管FastPM（A）是研讨团队的ground truth，B-D包含点或向量的色彩。色彩标明方针方位（A）或位移矢量与各种办法（B-D）猜测散布之间的相对差异（qmodel−qtarget）/qtarget。差错条标明，密度较大的区域一切办法都有较大的差错，这标明关于一切模型（D3M，2LPT和ZA），很难正确猜测高度非线性区域。他们的D3M模型在上述B-D模型中猜测和ground truth之间的差异最小。

图3：FastPM（橙色），2LPT（蓝色）和c（绿色）（顶部）的位移和密度功率谱； 传递函数 - 即猜测的功率谱与ground truth（中部）之比的平方根； 以及1–r 2，其间r是猜测场与真场（底部）之间的相关系数。成果是1，000个测验模仿的平均值。从大到中，D3M猜测的传递函数和相关系数挨近完美，显着优于基准2LPT。（B）关于几个三角形装备，两个3PCF的多极系数（ζ1（r1，r2））（与方针）的比率。成果在10次测验模仿中取平均值。差错条（填充区域）是从10次测验模仿得出的SD。该比率标明D3M的3PCF比他们的方针FastPM更挨近2LPT，方差更小。图3：FastPM（橙色），2LPT（蓝色）和c（绿色）（顶部）的位移和密度功率谱； 传递函数 - 即猜测的功率谱与ground truth（中部）之比的平方根； 以及1–r 2，其间r是猜测场与真场（底部）之间的相关系数。成果是1，000个测验模仿的平均值。从大到中，D3M猜测的传递函数和相关系数挨近完美，显着优于基准2LPT。（B）关于几个三角形装备，两个3PCF的多极系数（ζ1（r1，r2））（与方针）的比率。成果在10次测验模仿中取平均值。差错条（填充区域）是从10次测验模仿得出的SD。该比率标明D3M的3PCF比他们的方针FastPM更挨近2LPT，方差更小。

图4：上图显现当他们改动世界参数As和Ωm时，粒子散布和位移场的差异。（A）差错条显现As = A0与As = 0.2 A0（中心）和As = 1.8A0（右）之间的两个极值之间的粒子散布（上）和位移场（下）之间的差异。（B）相似的比较，显现Ωm∈{0.1，0.5}的较小和较大值的粒子散布（上）和位移场（下）的差异，用于练习的Ωm= 0.3089。尽管较小的As（Ωm）值的差异较大，但较大的As（Ωm）的位移愈加非线性。这种非线性是由质量会集引起的，并使猜测愈加困难。图4：上图显现当他们改动世界参数As和Ωm时，粒子散布和位移场的差异。（A）差错条显现As = A0与As = 0.2 A0（中心）和As = 1.8A0（右）之间的两个极值之间的粒子散布（上）和位移场（下）之间的差异。（B）相似的比较，显现Ωm∈{0.1，0.5}的较小和较大值的粒子散布（上）和位移场（下）的差异，用于练习的Ωm= 0.3089。尽管较小的As（Ωm）值的差异较大，但较大的As（Ωm）的位移愈加非线性。这种非线性是由质量会集引起的，并使猜测愈加困难。

图5：与图3A相似，除了在不改动练习集（具有不同的世界参数）或练习模型的情况下，改动世界参数时，测验两点统计量。当在不同的As（A）和Ωm（B）上测验时，显现了来自D3M和2LPT的猜测。他们展现了传递函数 - 即猜测功率谱与ground truth（上）之比的平方根 - 和1-r 2，其间r是猜测场与实在场（下）之间的相关系数。除了最大标准，D3M猜测在一切标准上都优于2LPT猜测，由于扰动理论在线性区域（大标准）中作业杰出。图5：与图3A相似，除了在不改动练习集（具有不同的世界参数）或练习模型的情况下，改动世界参数时，测验两点统计量。当在不同的As（A）和Ωm（B）上测验时，显现了来自D3M和2LPT的猜测。他们展现了传递函数 - 即猜测功率谱与ground truth（上）之比的平方根 - 和1-r 2，其间r是猜测场与实在场（下）之间的相关系数。除了最大标准，D3M猜测在一切标准上都优于2LPT猜测，由于扰动理论在线性区域（大标准）中作业杰出。

AI将协助人类更好的知道世界

除了进一步展现黑匣子AI和深度学习的翻云覆雨和不行猜测的实质外，AI世界模仿器自身还有潜力协助天体物理学家和研讨人员添补咱们世界背面的一些空白。

咱们的世界是一个古怪的，几乎是不知道的当地。人类刚刚开始将咱们的视野投向可观测空间之外，以确认世界之外是什么，以及它是怎么构成现在的姿态的。人工智能能够协助咱们精确地了解影响咱们世界进化的数十亿个变量是怎么作用于恒星、行星乃至生命自身的呈现的。