من نماذج المجرة إلى الذرات - تسرع الحيل البسيطة في تنفيذ الذكاء الاصطناعي عمليات المحاكاة المليارات من المرات

لنمذجة مثل هذه الظواهر الطبيعية المعقدة للغاية ، مثل تفاعل الجسيمات دون الذرية أو تأثير الضباب على المناخ ، يستغرق الأمر عدة ساعات لقضاء حتى على أسرع الحواسيب الفائقة. توفر المحاكيات ، الخوارزميات التي تقارب بسرعة نتائج المحاكاة التفصيلية ، طريقة للتغلب على هذا القيد. يُظهر عمل جديد نُشر على الإنترنت كيف يمكن للذكاء الاصطناعي بسهولة إنتاج محاكيات دقيقة يمكنها تسريع المحاكاة في مختلف مجالات العلوم مليارات المرات.

يقول دونالد لوكاس ، محاكي المناخ في مختبر ليفرمور الوطني الذي لم يشارك في هذا العمل: "هذا إنجاز كبير". يقول إن النظام الجديد يقوم تلقائيًا بإنشاء محاكيات تعمل بشكل أفضل وأسرع من تلك التي يقوم فريقه بتطويرها وتدريبها يدويًا. يمكن استخدام المحاكيات الجديدة لتحسين النماذج التي تحاكيها وزيادة كفاءة العلماء. يقول لوكاس: "إذا اجتاز العمل مراجعة الأقران ، فسوف يتغير كثيرًا".

يمكن لمحاكاة الكمبيوتر النموذجية أن تحسب خطوة بخطوة كيف تؤثر التأثيرات المادية على الذرات والسحب والمجرات - كل ما تحاكيه. المحاكيات القائمة على هذا النوع من الذكاء الاصطناعي مثل التعلم الآلي (MO) تخطي مرحلة التكاثر الشاق للطبيعة. بعد استلام بيانات المدخلات والمخرجات المطلوبة لمحاكاة كاملة ، تبحث المحاكيات عن الأنماط وتتعلم التكهن بما ستفعله المحاكاة بالمجموعة الجديدة من بيانات الإدخال. ومع ذلك ، لإنشاء بيانات التدريب ، من الضروري تشغيل محاكاة كاملة عدة مرات - أي القيام بالضبط بما يجب أن تتخلص منه المحاكيات.

تعتمد المحاكيات الجديدة على الشبكات العصبية - أنظمة MO المستوحاة من بنية الدماغ البشري - وهم بحاجة إلى تعلم أقل بكثير. تتكون الشبكات العصبية من عناصر حوسبة بسيطة متصلة ببعضها البعض بطريقة معينة لأداء مهام معينة. عادة ، يتغير اتصال العناصر في عملية التعلم. ومع ذلك ، تتيح لك تقنية تسمى "البحث عن العمارة العصبية" تحديد مخطط الاتصال الأكثر فعالية لمهمة معينة.

استنادًا إلى هذه التقنية ، تعتمد تقنية Deep Emulator Network Search (DENSE) على مخطط عام للبحث عن العمارة العصبية تم تطويره بواسطة Melody Guan ، عالم الكمبيوتر في جامعة ستانفورد. تقوم بإدراج طبقات حسابية بشكل عشوائي بين المدخلات والمخرجات ، ثم تقوم بفحص وتدرب الاتصال الناتج على مجموعة بيانات محدودة. إذا كانت الطبقة المضافة تعمل على تحسين الكفاءة التشغيلية ، فإن احتمال ظهورها في اختلافات الشبكة المستقبلية يزداد. تكرار العملية يحسن المحاكي. يقول جوان أنه باستخدام "الحماس" ، فإنه يتبع كيفية استخدام عملها "لغرض الحصول على الاكتشافات العلمية". يقول محمد قاسم ، الفيزيائي بجامعة أكسفورد الذي قاد الدراسة ، أن فريقه بنى عمله على عمل جوان ،لأن هذا النهج يحقق التوازن بين الدقة والكفاءة.

استخدم الباحثون DENSE لتطوير محاكيات 10 محاكاة - في الفيزياء وعلم الفلك والجيولوجيا وعلم المناخ. إحدى المحاكاة ، على سبيل المثال ، تصور كيف يعكس السناج والجسيمات العالقة الأخرى في الغلاف الجوي وامتصاص ضوء الشمس ، مما يغير المناخ العالمي. يمكن أن يستغرق عملها آلاف الساعات من وقت الكمبيوتر ، لذلك تستخدم Duncan Watson-Parris ، اختصاصي فيزياء الغلاف الجوي من أكسفورد والمؤلف المشارك للدراسة أحيانًا محاكيًا مع MO. ومع ذلك ، وفقًا له ، من الصعب تكوين المحاكي ، ولا يمكنه تقديم نتائج عالية الدقة ، بغض النظر عن كمية البيانات التي يتلقاها.

تظهر محاكيات DENSE نتائج ممتازة على الرغم من نقص البيانات. عندما تم تجهيزهم بشرائح رسومات خاصة ، أظهروا تسارعًا من 100000 إلى 2 مليار مرة مقارنة بالمحاكاة المقابلة. غالبًا ما يكون هذا التسارع من خصائص المحاكيات ، لكن نتائجها كانت أيضًا دقيقة للغاية: في مقارنة واحدة ، كانت نتائج محاكي الفلك متطابقة أكثر من 99 ٪ لنتائج محاكاة كاملة ، ووفقًا لنتائج 10 محاكاة ، أظهرت المحاكيات القائمة على الشبكات العصبية نتائج أفضل من المعتاد. يقول قاسم إنه يعتقد أن محاكيات DENSE ستحتاج إلى عشرات الآلاف من الأمثلة التدريبية لتحقيق دقة مماثلة لكل محاكاة. ولكن في معظم الحالات كان يجب استخدام بضعة آلاف فقط من الأمثلة ،وفي حالة الجسيمات العالقة في الغلاف الجوي - بضع عشرات فقط.

قال لورانس بيرولت ليفاسيير ، عالم الفيزياء الفلكية بجامعة مونتريال ، "نتيجة رائعة جدًا" ، يتظاهر بمحاكاة المجرات التي يخضع ضوءها لعدسات جاذبية ناتجة عن مجرات أخرى. "من المثير للإعجاب أنه يمكن تطبيق نفس المنهجية على مثل هذه المهام المختلفة ، وأنهم كانوا قادرين على تدريبها على مثل هذا العدد الصغير من الأمثلة."

يقول Lucas أن محاكيات DENSE ، بالإضافة إلى كونها سريعة ودقيقة ، لها استخدام آخر مثير للاهتمام. يمكنهم حل "المشاكل العكسية" - لتحديد أفضل معلمات النموذج للتنبؤ الصحيح بالنتائج. وبعد ذلك يمكن استخدام هذه المعلمات لتحسين المحاكاة الكاملة.

يقول قاسم إن DENSE قد تسمح للعلماء بتفسير البيانات على الطاير. يدرس فريقه سلوك البلازما في ظل ظروف قاسية تم إنشاؤها بواسطة ليزر أشعة سينية عملاق في ستانفورد ، حيث يكون وقت التجربة ثمينًا جدًا. من المستحيل تحليل بياناتهم في الوقت الفعلي - على سبيل المثال ، لمحاكاة درجة حرارة وكثافة البلازما - لأن عمليات المحاكاة المطلوبة يمكن أن تستغرق عدة أيام ، وهو ما لا يمتلكه الباحثون الذين يستخدمون الليزر. ومع ذلك ، وفقًا له ، يمكن لمحاكي DENSE تفسير البيانات بسرعة كافية بحيث يمكنها تغيير التجربة. "نأمل أن نتمكن في المستقبل من التحليل الفوري".