Die Berechnungen, die erforderlich sind, um vorherzusagen, wie drei Himmelskörper sich gegenseitig umkreisen, haben die Physiker seit der Zeit von Sir Isaac Newton verblüfft. Nun hat künstliche Intelligenz (A.I.) gezeigt, dass sie das Problem in einem Bruchteil der Zeit lösen kann, die für frühere Ansätze erforderlich ist.
Newton war der erste, der das Problem im 17. Jahrhundert formulierte, aber es hat sich als unglaublich schwierig erwiesen, einen einfachen Weg zu finden, um es zu lösen. Die Gravitationswechselwirkungen zwischen drei Himmelsobjekten wie Planeten, Sternen und Monden führen zu einem chaotischen System - eines, das komplex und hochempfindlich gegenüber den Ausgangspositionen jedes Körpers ist.
Gegenwärtige Ansätze zur Lösung dieser Probleme umfassen die Verwendung von Software, deren Durchführung Wochen oder sogar Monate dauern kann. Daher beschlossen die Forscher zu prüfen, ob ein neuronales Netzwerk - eine Art Muster, das A.I. das ahmt locker nach, wie das Gehirn funktioniert - könnte es besser machen.
Der von ihnen erstellte Algorithmus lieferte genaue Lösungen, die bis zu 100 Millionen Mal schneller waren als das fortschrittlichste Softwareprogramm namens Brutus. Dies könnte für Astronomen von unschätzbarem Wert sein, die versuchen, Dinge wie das Verhalten von Sternhaufen und die breitere Entwicklung des Universums zu verstehen, sagte Chris Foley, Biostatistiker an der Universität von Cambridge und Mitautor eines Papiers für die arXiv-Datenbank, das es noch nicht gegeben hat Peer-Review sein.
"Wenn dieses neuronale Netz gute Arbeit leistet, sollte es uns in einem beispiellosen Zeitrahmen Lösungen bieten können", sagte er gegenüber Live Science. "So können wir anfangen, über Fortschritte bei viel tieferen Fragen nachzudenken, beispielsweise wie sich Gravitationswellen bilden."
Neuronale Netze müssen trainiert werden, indem Daten eingespeist werden, bevor sie Vorhersagen treffen können. Daher mussten die Forscher 9.900 vereinfachte Drei-Körper-Szenarien mit Brutus erstellen, dem derzeitigen Marktführer bei der Lösung von Drei-Körper-Problemen.
Anschließend testeten sie, wie gut das neuronale Netz die Entwicklung von 5.000 unsichtbaren Szenarien vorhersagen konnte, und stellten fest, dass seine Ergebnisse denen von Brutus sehr nahe kamen. Das auf A. I. basierende Programm löste die Probleme jedoch in durchschnittlich nur einem Bruchteil einer Sekunde, verglichen mit fast 2 Minuten.
Der Grund, warum Programme wie Brutus so langsam sind, ist, dass sie das Problem mit brutaler Gewalt lösen, sagte Foley und führte Berechnungen für jeden winzigen Schritt der Flugbahn der Himmelskörper durch. Das neuronale Netz hingegen betrachtet einfach die Bewegungen, die diese Berechnungen erzeugen, und leitet ein Muster ab, das helfen kann, vorherzusagen, wie sich zukünftige Szenarien entwickeln werden.
Dies sei jedoch ein Problem für die Skalierung des Systems, sagte Foley. Der aktuelle Algorithmus ist ein Proof-of-Concept und wurde aus vereinfachten Szenarien gelernt. Um jedoch an komplexeren Szenarien zu trainieren oder sogar die Anzahl der beteiligten Körper auf vier von fünf zu erhöhen, müssen Sie zuerst die Daten für Brutus generieren, was sehr zeitaufwändig sein kann. aufwendig und teuer.
"Es gibt ein Wechselspiel zwischen unserer Fähigkeit, ein fantastisch funktionierendes neuronales Netzwerk zu trainieren, und unserer Fähigkeit, tatsächlich Daten abzuleiten, mit denen es trainiert werden kann", sagte er. "Da gibt es also einen Engpass."
Eine Möglichkeit, dieses Problem zu umgehen, besteht darin, dass Forscher ein gemeinsames Repository für Daten erstellen, die mit Programmen wie Brutus erstellt wurden. Aber zuerst müsste dafür Standardprotokolle erstellt werden, um sicherzustellen, dass die Daten alle einen einheitlichen Standard und ein einheitliches Format aufweisen, sagte Foley.
Es gibt noch einige Probleme, die auch mit dem neuronalen Netz gelöst werden müssen, sagte Foley. Es kann nur für eine festgelegte Zeit ausgeführt werden, es ist jedoch nicht möglich, im Voraus zu wissen, wie lange ein bestimmtes Szenario dauern wird, sodass dem Algorithmus der Dampf ausgehen kann, bevor das Problem gelöst ist.
Die Forscher sehen jedoch nicht vor, dass das neuronale Netz isoliert arbeitet, sagte Foley. Sie denken, die beste Lösung wäre, wenn ein Programm wie Brutus den größten Teil der Arbeit mit dem neuronalen Netz erledigt und nur die Teile der Simulation übernimmt, die komplexere Berechnungen beinhalten, die die Software blockieren.
"Sie schaffen diesen Hybrid", sagte Foley. "Jedes Mal, wenn Brutus stecken bleibt, setzen Sie das neuronale Netzwerk ein und schieben es nach vorne. Und dann beurteilen Sie, ob Brutus nicht mehr steckt oder nicht."
