Von Galaxienmodellen zu Atomen - einfache Tricks in der KI-Implementierung beschleunigen Simulationen milliardenfach

Um solch äußerst komplexe Naturphänomene wie die Wechselwirkung subatomarer Partikel oder den Einfluss von Nebel auf das Klima zu modellieren, dauert es selbst für die schnellsten Supercomputer viele Stunden. Emulatoren, Algorithmen, die die Ergebnisse detaillierter Simulationen schnell approximieren, bieten eine Möglichkeit, diese Einschränkung zu umgehen. Eine neue online veröffentlichte Arbeit zeigt, wie KI auf einfache Weise genaue Emulatoren erzeugen kann, die Simulationen in verschiedenen Bereichen der Wissenschaft milliardenfach beschleunigen können.

"Dies ist eine große Leistung", sagt Donald Lucas, ein Klimasimulator am Livermore National Laboratory, der an dieser Arbeit nicht beteiligt war. Er sagt, dass das neue System automatisch Emulatoren erstellt, die besser und schneller arbeiten als diejenigen, die sein Team manuell entwickelt und trainiert. Neue Emulatoren können verwendet werden, um die von ihnen simulierten Modelle zu verbessern und die Effizienz von Wissenschaftlern zu steigern. Wenn die Arbeit das Peer Review besteht, sagt Lucas, "wird sich viel ändern."

Eine typische Computersimulation kann Schritt für Schritt berechnen, wie sich physikalische Effekte auf Atome, Wolken und Galaxien auswirken - alles, was sie simulieren. Emulatoren, die auf einer KI-Variante wie maschinellem Lernen (MO) basieren, überspringen die Phase mühsamer Reproduktion der Natur. Nachdem die Emulatoren die erforderlichen Eingabe- und Ausgabedaten einer vollständigen Simulation erhalten haben, suchen sie nach Mustern und lernen zu spekulieren, was die Simulation mit dem neuen Satz von Eingabedaten tun wird. Um Trainingsdaten zu erstellen, muss jedoch eine vollständige Simulation viele Male ausgeführt werden, dh genau das tun, was Emulatoren entfernen sollten.

Neue Emulatoren basieren auf neuronalen Netzen - MO-Systemen, die von der Struktur des menschlichen Gehirns inspiriert sind - und müssen viel weniger lernen. Neuronale Netze bestehen aus einfachen Computerelementen, die auf bestimmte Weise miteinander verbunden sind, um bestimmte Aufgaben auszuführen. In der Regel ändert sich die Konnektivität der Elemente im Lernprozess. Mit einer Technik namens "Suche nach neuronaler Architektur" können Sie jedoch das effektivste Verbindungsschema für eine bestimmte Aufgabe bestimmen.

Basierend auf dieser Technik basiert die DENSE-Technologie (Deep Emulator Network Search) auf einem generischen Suchschema für neuronale Architekturen, das von Melody Guan, einem Informatiker an der Stanford University, entwickelt wurde. Sie fügt zufällig Rechenebenen zwischen Eingabe und Ausgabe ein und überprüft und trainiert dann die resultierende Verbindung in einem begrenzten Datensatz. Wenn die hinzugefügte Schicht die Betriebseffizienz verbessert, steigt die Wahrscheinlichkeit ihres Auftretens in zukünftigen Netzwerkvariationen. Das Wiederholen des Vorgangs verbessert den Emulator. Guan sagt, dass er mit "Begeisterung" verfolgt, wie ihre Arbeit "zum Zwecke der Erlangung wissenschaftlicher Entdeckungen" verwendet wird. Muhammad Qasim, ein Physiker an der Universität von Oxford, der die Studie leitete, sagte, sein Team habe seine Arbeit auf Guans Arbeit gestützt.da dieser Ansatz ein Gleichgewicht zwischen Genauigkeit und Effizienz erreicht.

Mit DENSE entwickelten die Forscher Emulatoren von 10 Simulationen - in Physik, Astronomie, Geologie und Klimatologie. Eine Simulation modelliert beispielsweise, wie Ruß und andere Schwebeteilchen in der Atmosphäre Sonnenlicht reflektieren und absorbieren und so das globale Klima verändern. Ihre Arbeit kann Tausende von Stunden Computerzeit in Anspruch nehmen, daher verwendet Duncan Watson-Parris, ein Spezialist für Atmosphärenphysik aus Oxford und Mitautor der Studie, manchmal einen Emulator mit MO. Ihm zufolge ist der Emulator jedoch schwierig zu konfigurieren und kann unabhängig von der empfangenen Datenmenge keine hochauflösenden Ergebnisse liefern.

DENSE-Emulatoren zeigen trotz fehlender Daten hervorragende Ergebnisse. Wenn sie mit speziellen Grafikchips ausgestattet waren, zeigten sie im Vergleich zu den entsprechenden Simulationen eine Beschleunigung von 100.000 auf 2 Milliarden Mal. Eine solche Beschleunigung ist häufig für Emulatoren charakteristisch, aber ihre Ergebnisse waren auch äußerst genau: In einem Vergleich waren die Ergebnisse eines Astronomie-Emulators zu mehr als 99% mit den Ergebnissen einer vollwertigen Simulation identisch, und gemäß den Ergebnissen von 10 Simulationen zeigten Emulatoren, die auf neuronalen Netzen basierten, bessere Ergebnisse als übliche. Qassim meinte, DENSE-Simulatoren würden Zehntausende von Trainingsbeispielen benötigen, um für jede Simulation eine ähnliche Genauigkeit zu erzielen. In den meisten Fällen mussten jedoch nur einige tausend Beispiele verwendet werden.und im Fall von suspendierten atmosphärischen Partikeln - nur ein paar Dutzend.

"Ein sehr cooles Ergebnis", sagte Lawrence Perrault-Levassier, Astrophysiker an der Universität von Montreal, der vorgab, Galaxien zu simulieren, deren Licht durch andere Galaxien einer Gravitationslinse ausgesetzt ist. "Es ist beeindruckend, dass dieselbe Methodik auf so unterschiedliche Aufgaben angewendet werden kann und dass sie sie an so wenigen Beispielen trainieren konnten."

Lucas sagt, dass DENSE-Emulatoren nicht nur schnell und genau sind, sondern auch eine andere interessante Verwendung haben. Sie können "inverse Probleme" lösen - um die besten Parameter des Modells für die korrekte Vorhersage der Ergebnisse zu bestimmen. Und dann können diese Parameter verwendet werden, um vollwertige Simulationen zu verbessern.

Laut Qasim kann DENSE es Wissenschaftlern sogar ermöglichen, Daten im laufenden Betrieb zu interpretieren. Sein Team untersucht das Plasmaverhalten unter extremen Bedingungen, die von einem riesigen Röntgenlaser in Stanford erzeugt wurden, wo die Experimentierzeit sehr wertvoll ist. Es ist unmöglich, ihre Daten in Echtzeit zu analysieren - zum Beispiel um die Temperatur und Dichte eines Plasmas zu simulieren -, da die erforderlichen Simulationen mehrere Tage dauern können, die die Forscher mit dem Laser nicht haben. Ihm zufolge könnte der DENSE-Emulator die Daten jedoch schnell genug interpretieren, um das Experiment zu ändern. "Wir hoffen, dass wir in Zukunft fast sofort analysieren können."