De modelos de galáxias a átomos - truques simples na implementação da IA ​​aceleram simulações bilhões de vezes

Para modelar fenômenos naturais extremamente complexos, como a interação de partículas subatômicas ou o efeito do nevoeiro no clima, são necessárias muitas horas para gastar até nos supercomputadores mais rápidos. Emuladores, algoritmos que aproximam rapidamente os resultados de simulações detalhadas, oferecem uma maneira de contornar essa limitação. Um novo trabalho publicado online mostra como a IA pode produzir facilmente emuladores precisos que podem acelerar simulações em vários campos da ciência bilhões de vezes.

"Esta é uma grande conquista", diz Donald Lucas, um simulador climático do Laboratório Nacional Livermore que não estava envolvido neste trabalho. Ele diz que o novo sistema cria automaticamente emuladores que funcionam melhor e mais rapidamente do que aqueles que sua equipe desenvolve e treina manualmente. Novos emuladores podem ser usados ​​para melhorar os modelos simulados e aumentar a eficiência dos cientistas. Se o trabalho for aprovado na revisão por pares, diz Lucas, "mudará muito".

Uma simulação de computador típica pode calcular, passo a passo, como os efeitos físicos afetam átomos, nuvens, galáxias - tudo o que eles simulam. Os emuladores baseados em uma variante da IA, como o Machine Learning (MO), pulam o estágio da laboriosa reprodução da natureza. Após receber os dados de entrada e saída necessários de uma simulação completa, os emuladores procuram padrões e aprendem a especular sobre o que a simulação fará com o novo conjunto de dados de entrada. No entanto, para criar dados de treinamento, é necessário executar uma simulação completa várias vezes - ou seja, para fazer exatamente do que os emuladores devem se livrar.

Novos emuladores são baseados em redes neurais - sistemas MO, inspirados na estrutura do cérebro humano - e precisam aprender muito menos. As redes neurais consistem em elementos simples de computação que são conectados entre si de uma certa maneira para executar determinadas tarefas. Normalmente, a conectividade dos elementos muda no processo de aprendizagem. No entanto, uma técnica chamada "procurar arquitetura neural" permite determinar o esquema de conexão mais eficaz para uma determinada tarefa.

Com base nessa técnica, a tecnologia Deep Emulator Network Search (DENSE) baseia-se em um esquema genérico de pesquisa em arquitetura neural desenvolvido por Melody Guan, cientista da computação da Universidade de Stanford. Ela insere aleatoriamente camadas computacionais entre entrada e saída e, em seguida, verifica e treina a conexão resultante em um conjunto de dados limitado. Se a camada adicionada melhorar a eficiência operacional, aumentará a probabilidade de seu aparecimento em futuras variações de rede. Repetir o processo melhora o emulador. Guan diz que, com "entusiasmo", ele segue como o trabalho dela é usado "com o objetivo de obter descobertas científicas". Muhammad Qasim, físico da Universidade de Oxford que liderou o estudo, diz que sua equipe baseou seu trabalho no trabalho de Guan,pois essa abordagem alcança um equilíbrio entre precisão e eficiência.

Os pesquisadores usaram o DENSE para desenvolver emuladores de 10 simulações - em física, astronomia, geologia e climatologia. Uma simulação, por exemplo, modela como a fuligem e outras partículas suspensas na atmosfera refletem e absorvem a luz solar, mudando o clima global. Seu trabalho pode levar milhares de horas de tempo no computador; portanto, Duncan Watson-Parris, especialista em física atmosférica de Oxford e co-autor do estudo, às vezes usa um emulador com MO. No entanto, segundo ele, o emulador é difícil de configurar e não pode produzir resultados de alta resolução, independentemente da quantidade de dados que recebe.

Os emuladores densos mostram excelentes resultados, apesar da falta de dados. Quando eles foram equipados com chips gráficos especiais, mostraram aceleração de 100.000 a 2 bilhões de vezes em comparação com as simulações correspondentes. Essa aceleração geralmente é característica dos emuladores, mas seus resultados também foram extremamente precisos: em uma comparação, os resultados de um emulador de astronomia eram mais de 99% idênticos aos resultados de uma simulação completa e, de acordo com os resultados de 10 simulações, os emuladores baseados em redes neurais apresentaram melhores resultados do que os usuais. Qasim diz que pensou que os simuladores DENSE precisariam de dezenas de milhares de exemplos de treinamento para cada simulação para alcançar uma precisão semelhante. Mas na maioria dos casos, apenas alguns milhares de exemplos tiveram que ser usados,e no caso de partículas atmosféricas suspensas - apenas algumas dezenas.

"Um resultado muito legal", disse Lawrence Perrault-Levasier, astrofísico da Universidade de Montreal, fingindo simular galáxias cuja luz sofre lentes gravitacionais causadas por outras galáxias. "É impressionante que a mesma metodologia possa ser aplicada a tarefas tão diferentes e que elas possam treiná-la em um número tão pequeno de exemplos".

Lucas diz que os emuladores densos, além de rápidos e precisos, têm outro uso interessante. Eles podem resolver "problemas inversos" - para determinar os melhores parâmetros do modelo para a previsão correta dos resultados. E esses parâmetros podem ser usados ​​para melhorar as simulações completas.

Qasim diz que o DENSE pode até permitir que os cientistas interpretem dados em tempo real. Sua equipe estuda o comportamento do plasma sob condições extremas criadas por um laser gigante de raios X em Stanford, onde o tempo do experimento é muito valioso. É impossível analisar seus dados em tempo real - por exemplo, para simular a temperatura e a densidade de um plasma - porque as simulações necessárias podem levar vários dias, o que não está disponível para pesquisadores que usam laser. No entanto, segundo ele, o emulador DENSE poderia interpretar os dados com rapidez suficiente para alterar o experimento. "Esperamos que, no futuro, possamos analisar quase imediatamente."