Dari model galaksi hingga atom - trik sederhana dalam implementasi AI mempercepat simulasi miliaran kali

Untuk memodelkan fenomena alam yang sangat kompleks, seperti interaksi partikel subatom atau pengaruh kabut pada iklim, dibutuhkan berjam-jam untuk menghabiskan bahkan pada superkomputer tercepat. Emulator, algoritma yang dengan cepat memperkirakan hasil simulasi terperinci, menawarkan cara untuk mengatasi batasan ini. Sebuah karya baru yang diterbitkan secara online menunjukkan bagaimana AI dapat dengan mudah menghasilkan emulator yang akurat yang dapat mempercepat simulasi di berbagai bidang ilmu miliaran kali.

“Ini adalah pencapaian besar,” kata Donald Lucas, simulator iklim di Livermore National Laboratory yang tidak terlibat dalam pekerjaan ini. Dia mengatakan bahwa sistem baru secara otomatis membuat emulator yang bekerja lebih baik dan lebih cepat daripada yang dikembangkan dan dilatih timnya secara manual. Emulator baru dapat digunakan untuk meningkatkan model yang disimulasikan dan meningkatkan efisiensi para ilmuwan. Jika pekerjaan itu melewati tinjauan sejawat, kata Lucas, "itu akan banyak berubah."

Simulasi komputer yang khas dapat menghitung, langkah demi langkah, bagaimana efek fisik memengaruhi atom, awan, galaksi - semua yang disimulasikan. Emulator yang didasarkan pada varian AI seperti machine learning (MO) melewati tahap reproduksi alam yang melelahkan. Setelah menerima input dan output data yang diperlukan dari simulasi penuh, emulator mencari pola dan belajar berspekulasi tentang apa yang akan dilakukan simulasi dengan set data input yang baru. Namun, untuk membuat data pelatihan, perlu menjalankan simulasi penuh berkali-kali - yaitu, untuk melakukan apa yang harus dibuang oleh emulator.

Emulator baru didasarkan pada jaringan saraf - sistem MO yang terinspirasi oleh struktur otak manusia - dan mereka perlu belajar lebih sedikit. Jaringan saraf terdiri dari elemen komputasi sederhana yang terhubung satu sama lain dengan cara tertentu untuk melakukan tugas-tugas tertentu. Biasanya, konektivitas elemen berubah dalam proses pembelajaran. Namun, teknik yang disebut "pencarian arsitektur saraf" memungkinkan Anda untuk menentukan skema koneksi yang paling efektif untuk tugas yang diberikan.

Berdasarkan teknik ini, teknologi Deep Emulator Network Search (DENSE) bergantung pada skema pencarian arsitektur saraf umum yang dikembangkan oleh Melody Guan, seorang ilmuwan komputer di Stanford University. Dia secara acak memasukkan lapisan komputasi antara input dan output, dan kemudian memeriksa dan melatih koneksi yang dihasilkan pada kumpulan data terbatas. Jika lapisan yang ditambahkan meningkatkan efisiensi operasional, maka kemungkinan kemunculannya dalam variasi jaringan di masa depan akan meningkat. Mengulangi proses meningkatkan emulator. Guan mengatakan bahwa dengan "antusiasme" dia mengikuti bagaimana karyanya digunakan "untuk tujuan mendapatkan penemuan ilmiah." Muhammad Qasim, seorang ahli fisika di Universitas Oxford yang memimpin penelitian ini, mengatakan timnya mendasarkan pekerjaannya pada pekerjaan Guan,karena pendekatan ini mencapai keseimbangan antara akurasi dan efisiensi.

Para peneliti menggunakan DENSE untuk mengembangkan emulator dari 10 simulasi - dalam fisika, astronomi, geologi, dan klimatologi. Satu simulasi, misalnya, memodelkan bagaimana jelaga dan partikel tersuspensi lainnya di atmosfer memantulkan dan menyerap sinar matahari, mengubah iklim global. Karyanya dapat memakan waktu ribuan jam waktu komputer, jadi Duncan Watson-Parris, seorang spesialis fisika atmosfer dari Oxford dan rekan penulis penelitian, kadang-kadang menggunakan emulator dengan MO. Namun, menurut dia, emulator sulit untuk dikonfigurasi, dan tidak dapat menghasilkan hasil resolusi tinggi, terlepas dari jumlah data yang diterimanya.

Emulator DENSE menunjukkan hasil yang sangat baik meskipun kurangnya data. Ketika mereka dilengkapi dengan chip grafis khusus, mereka menunjukkan akselerasi dari 100.000 menjadi 2 miliar kali dibandingkan dengan simulasi yang sesuai. Akselerasi seperti itu sering merupakan karakteristik emulator, tetapi hasilnya juga sangat akurat: dalam satu perbandingan, hasil emulator astronomi lebih dari 99% identik dengan hasil simulasi penuh, dan menurut hasil 10 simulasi, emulator berdasarkan jaringan saraf menunjukkan hasil yang lebih baik daripada yang biasanya. Qassim mengatakan dia pikir simulator DENSE akan membutuhkan puluhan ribu contoh pelatihan untuk mencapai akurasi yang sama untuk setiap simulasi. Tetapi dalam kebanyakan kasus hanya beberapa ribu contoh harus digunakan,dan dalam kasus partikel atmosferik - hanya beberapa lusin.

"Hasil yang sangat keren," kata Lawrence Perrault-Levassier, seorang astrofisikawan di Universitas Montreal, berpura-pura mensimulasikan galaksi yang cahayanya mengalami pelapisan gravitasi yang disebabkan oleh galaksi lain. “Sangat mengesankan bahwa metodologi yang sama dapat diterapkan untuk tugas-tugas yang berbeda, dan bahwa mereka dapat melatihnya pada sejumlah kecil contoh.”

Lucas mengatakan bahwa emulator DENSE, selain cepat dan akurat, memiliki kegunaan lain yang menarik. Mereka dapat memecahkan "masalah terbalik" - untuk menentukan parameter terbaik dari model untuk prediksi hasil yang benar. Dan kemudian parameter ini dapat digunakan untuk meningkatkan simulasi lengkap.

Qasim mengatakan DENSE bahkan memungkinkan para ilmuwan untuk menafsirkan data dengan cepat. Timnya sedang mempelajari perilaku plasma dalam kondisi ekstrem yang diciptakan oleh laser x-ray raksasa di Stanford, tempat waktu percobaan sangat berharga. Tidak mungkin untuk menganalisis data mereka secara real time - misalnya, untuk mensimulasikan suhu dan kepadatan plasma - karena simulasi yang diperlukan dapat memakan waktu beberapa hari, yang tidak dimiliki oleh para peneliti yang menggunakan laser. Namun, menurutnya, emulator DENSE dapat menginterpretasikan data dengan cukup cepat sehingga dapat mengubah percobaan. "Kami berharap bahwa di masa depan kita akan dapat menganalisis segera."