Desde modelos de galaxias hasta átomos: trucos simples en la implementación de IA aceleran las simulaciones miles de millones de veces

Para modelar fenómenos naturales extremadamente complejos, como la interacción de partículas subatómicas o la influencia de la niebla en el clima, se necesitan muchas horas incluso en las supercomputadoras más rápidas. Los emuladores, algoritmos que se aproximan rápidamente a los resultados de simulaciones detalladas, ofrecen una forma de sortear esta limitación. Un nuevo trabajo publicado en línea muestra cómo la IA puede producir fácilmente emuladores precisos que pueden acelerar las simulaciones en varios campos de la ciencia miles de millones de veces.

"Este es un logro importante", dice Donald Lucas, un simulador de clima en el Laboratorio Nacional de Livermore que no participó en este trabajo. Él dice que el nuevo sistema crea automáticamente emuladores que funcionan mejor y más rápido que los que su equipo desarrolla y entrena manualmente. Se pueden utilizar nuevos emuladores para mejorar los modelos que simulan y aumentar la eficiencia de los científicos. Si el trabajo pasa la revisión por pares, dice Lucas, "cambiará mucho".

Una simulación de computadora típica puede calcular, paso a paso, cómo los efectos físicos afectan a los átomos, las nubes, las galaxias, todo lo que simulan. Los emuladores basados ​​en una variante de IA como el aprendizaje automático (MO) omiten la etapa de reproducción laboriosa de la naturaleza. Habiendo recibido los datos de entrada y salida requeridos de una simulación completa, los emuladores buscan patrones y aprenden a especular sobre lo que hará la simulación con el nuevo conjunto de datos de entrada. Sin embargo, para crear datos de entrenamiento, debe ejecutar una simulación completa muchas veces, es decir, hacer exactamente lo que los emuladores deben eliminar.

Los nuevos emuladores se basan en redes neuronales (sistemas MO inspirados en la estructura del cerebro humano) y necesitan aprender mucho menos. Las redes neuronales consisten en elementos informáticos simples que están conectados entre sí de una determinada manera para realizar ciertas tareas. Por lo general, la conectividad de los elementos cambia en el proceso de aprendizaje. Sin embargo, una técnica llamada "búsqueda de arquitectura neuronal" le permite determinar el esquema de conexión más efectivo para una tarea determinada.

Basándose en esta técnica, la tecnología de Búsqueda de red de emulador profundo (DENSE) se basa en un esquema genérico de búsqueda de arquitectura neuronal desarrollado por Melody Guan, un científico de la computación de la Universidad de Stanford. Inserta aleatoriamente capas computacionales entre entrada y salida, y luego verifica y entrena la conexión resultante en un conjunto de datos limitado. Si la capa agregada mejora la eficiencia operativa, entonces aumenta la probabilidad de su aparición en futuras variaciones de la red. Repetir el proceso mejora el emulador. Guan dice que con "entusiasmo" sigue cómo se usa su trabajo "con el propósito de obtener descubrimientos científicos". Muhammad Qasim, físico de la Universidad de Oxford que dirigió el estudio, dice que su equipo basó su trabajo en el trabajo de Guan,ya que este enfoque logra un equilibrio entre precisión y eficiencia.

Los investigadores utilizaron DENSE para desarrollar emuladores de 10 simulaciones, en física, astronomía, geología y climatología. Una simulación, por ejemplo, modela cómo el hollín y otras partículas suspendidas en la atmósfera reflejan y absorben la luz solar, cambiando el clima global. Su trabajo puede tomar miles de horas de tiempo de computadora, por lo que Duncan Watson-Parris, un especialista en física atmosférica de Oxford y coautor del estudio, a veces usa un emulador con MO. Sin embargo, según él, el emulador es difícil de configurar y no puede producir resultados de alta resolución, independientemente de la cantidad de datos que reciba.

Los emuladores DENSE muestran excelentes resultados a pesar de la falta de datos. Cuando se equiparon con chips gráficos especiales, mostraron una aceleración de 100,000 a 2 mil millones de veces en comparación con las simulaciones correspondientes. Tal aceleración es a menudo característica de los emuladores, pero sus resultados también fueron extremadamente precisos: en una comparación, los resultados de un emulador de astronomía fueron más del 99% idénticos a los resultados de una simulación completa, y de acuerdo con los resultados de 10 simulaciones, los emuladores basados ​​en redes neuronales mostraron mejores resultados que los habituales. Qassim dice que pensó que los simuladores DENSE necesitarían decenas de miles de ejemplos de entrenamiento para lograr una precisión similar para cada simulación. Pero en la mayoría de los casos solo tuvieron que usarse unos pocos miles de ejemplos,y en el caso de partículas atmosféricas suspendidas, solo unas pocas docenas.

"Un resultado muy bueno", dijo Lawrence Perrault-Levassier, astrofísico de la Universidad de Montreal, pretendiendo simular galaxias cuya luz sufre lentes gravitacionales causados ​​por otras galaxias. "Es impresionante que se pueda aplicar la misma metodología a tareas tan diferentes, y que pudieron capacitarla en un número tan pequeño de ejemplos".

Lucas dice que los emuladores DENSE, además de ser rápidos y precisos, tienen otro uso interesante. Pueden resolver "problemas inversos", para determinar los mejores parámetros del modelo para la predicción correcta de los resultados. Y luego estos parámetros se pueden utilizar para mejorar las simulaciones completas.

Qasim dice que DENSE puede incluso permitir a los científicos interpretar datos sobre la marcha. Su equipo está estudiando el comportamiento del plasma en condiciones extremas creadas por un láser gigante de rayos X en Stanford, donde el tiempo del experimento es muy valioso. Es imposible analizar sus datos en tiempo real, por ejemplo, para simular la temperatura y la densidad de un plasma, ya que las simulaciones requeridas pueden tomar varios días, lo que los investigadores que usan el láser no tienen. Sin embargo, según él, el emulador DENSE podría interpretar los datos lo suficientemente rápido como para cambiar el experimento. "Esperamos que en el futuro podamos analizar casi de inmediato".