Izračuni upogibanja, ki so bili potrebni za napoved, kako tri nebeška telesa krožijo med seboj, so od časa Sir Isaaca Newtona osupnili fizike. Zdaj je umetna inteligenca (A.I.) pokazala, da lahko težavo reši v delčku časa, ki ga zahtevajo prejšnji pristopi.
Newton je prvi formuliral težavo v 17. stoletju, vendar se je našel preprost način za njegovo reševanje neverjetno težko. Zaradi gravitacijskih interakcij med tremi nebesnimi objekti, kot so planeti, zvezde in lune, nastane kaotičen sistem - takšen, ki je kompleksen in je zelo občutljiv na začetne položaje vsakega telesa.
Trenutni pristopi k reševanju teh težav vključujejo uporabo programske opreme, ki lahko traja tedne ali mesece za dokončanje izračunov. Tako so se raziskovalci odločili preveriti, ali je nevronska mreža - vrsta vzorca, ki prepoznava A.I. ki ohlapno posnema delovanje možganov - bi lahko naredila bolje.
Algoritem, ki so ga zgradili, je zagotavljal natančne rešitve do 100 milijonov krat hitreje kot najnaprednejši programski program, znan kot Brutus. To bi se lahko izkazalo za neprecenljivo za astronome, ki poskušajo razumeti stvari, kot so vedenje zvezdnih grozdov in širša evolucija vesolja, je dejal Chris Foley, biostatistik na univerzi v Cambridgeu in soavtor prispevka v zbirki podatkov arXiv, ki še nima biti strokovno pregledan.
"Ta nevronska mreža, če bo dobro opravila delo, bi nam morala omogočiti rešitve v časovnem okviru brez primere," je povedal za Live Science. "Tako lahko začnemo razmišljati o napredku z veliko globlimi vprašanji, kot je, kako se oblikujejo gravitacijski valovi."
Nevronske mreže morajo biti usposobljene z napajanjem podatkov, preden lahko napovedujejo. Tako so morali raziskovalci ustvariti 9.900 poenostavljenih scenarijev s tremi telesi s pomočjo Brutusa, trenutnega vodje, ko gre za reševanje težav s tremi telesi.
Nato so preizkusili, kako dobro lahko nevronska mreža napoveduje razvoj 5.000 nevidnih scenarijev in ugotovili, da so se njeni rezultati natančno ujemali z rezultati Brutusa. Vendar je program, ki temelji na A.I., težave rešil v povprečju le del sekunde, v primerjavi s skoraj dvema minutama.
Razlog, da so programi, kot je Brutus, tako počasen, je, da težavo rešujejo s silovito silo, je dejal Foley in izvajal izračune za vsak majhen korak poti nebesnih teles. Nevronska mreža na drugi strani preprosto gleda gibanja, ki jih ti izračuni proizvajajo, in odvzame vzorec, ki lahko pomaga predvideti, kako se bodo uresničili prihodnji scenariji.
Foley je dejal, da to predstavlja težavo za povečanje sistema. Trenutni algoritem je dokaz koncepta in se ga naučimo iz poenostavljenih scenarijev, vendar pa je za usposabljanje bolj zapletenih ali celo povečanje števila vpletenih teles na štiri od petih najprej potrebno, da ustvarite podatke o Brutusu, kar je lahko izjemno časovno oz. potrošno in drago.
"Med našo zmožnostjo treniranja fantastično delujoče nevronske mreže in zmožnostjo dejansko pridobivanja podatkov, s katerimi lahko treniramo, obstaja povezava," je dejal. "Torej je tam ozko grlo."
Eden od načinov za to bi bil, da bi raziskovalci ustvarili skupno shranjevanje podatkov, izdelanih s programi, kot je Brutus. Najprej pa bi bilo treba oblikovati standardne protokole, da bi zagotovili, da so vsi podatki dosledni standard in oblika, je dejal Foley.
Obstaja še nekaj vprašanj, s katerimi se lahko spoprijete z nevronsko mrežo, je dejal Foley. Teče lahko le določen čas, vendar ni mogoče vnaprej vedeti, koliko časa bo trajal določen scenarij, tako da algoritmu lahko zmanjka pare, preden se težava reši.
Vendar raziskovalci ne predvidevajo, da bi nevronska mreža delovala izolirano, je dejal Foley. Mislijo, da bi bila najboljša rešitev, da program, kot je Brutus, opravi večino nog z nevronsko mrežo, pri čemer prevzame le dele simulacije, ki vključujejo bolj zapletene izračune, ki uničujejo programsko opremo.
"Vi ustvarite ta hibrid," je dejal Foley. "Vsakič, ko se Brutus zatakne, zaposliš nevronsko mrežo in jo pomakneš naprej. In potem presodiš, ali se je Brutus odlepil ali ne."
