July 30, 2021
AI “Ajaib” Baru Saja Menghapus Salah Satu Penghambat Terbesar dalam Astrofisika

AI “Ajaib” Baru Saja Menghapus Salah Satu Penghambat Terbesar dalam Astrofisika

Simulasi wilayah ruang 100 juta tahun cahaya persegi. Simulasi paling kiri berjalan pada resolusi rendah. Dengan menggunakan pembelajaran mesin, peneliti meningkatkan model resolusi rendah untuk membuat simulasi resolusi tinggi (kanan). Simulasi tersebut menangkap detail yang sama seperti model resolusi tinggi konvensional (tengah) sementara membutuhkan sumber daya komputasi yang jauh lebih sedikit. Kredit: Y. Li et al./Proceedings of the National Academy of Sciences 2021

Dengan menggunakan jaringan saraf, rekan peneliti Institut Flatiron Yin Li dan rekannya mensimulasikan alam semesta yang luas dan kompleks dalam waktu yang singkat dengan metode konvensional.

Dengan menggunakan sedikit keajaiban pembelajaran mesin, ahli astrofisika sekarang dapat mensimulasikan alam semesta yang luas dan kompleks dalam seperseribu waktu yang dibutuhkan dengan metode konvensional. Pendekatan baru ini akan membantu mengantarkan era baru dalam simulasi kosmologis resolusi tinggi, menurut laporan penciptanya dalam sebuah studi yang dipublikasikan secara online pada 4 Mei 2021, di Prosiding National Academy of Sciences.

“Saat ini, batasan waktu komputasi biasanya berarti kita tidak dapat mensimulasikan alam semesta pada resolusi tinggi dan volume besar,” kata pemimpin penulis studi Yin Li, astrofisikawan di Flatiron Institute di New York City. “Dengan teknik baru kami, memungkinkan untuk memiliki keduanya secara efisien. Di masa mendatang, metode berbasis AI ini akan menjadi norma untuk aplikasi tertentu. “

Metode baru yang dikembangkan oleh Li dan koleganya menggunakan algoritme pembelajaran mesin dengan model wilayah ruang kecil pada resolusi rendah dan tinggi. Algoritme mempelajari cara meningkatkan model resolusi rendah agar sesuai dengan detail yang ditemukan di versi resolusi tinggi. Setelah dilatih, kode tersebut dapat mengambil model resolusi rendah skala penuh dan menghasilkan simulasi ‘resolusi super’ yang berisi hingga 512 kali lebih banyak partikel.

Prosesnya mirip dengan mengambil foto buram dan menambahkan kembali detail yang hilang, membuatnya tajam dan jelas.

Peningkatan ini membawa penghematan waktu yang signifikan. Untuk wilayah di alam semesta dengan luas sekitar 500 juta tahun cahaya yang berisi 134 juta partikel, metode yang ada akan membutuhkan 560 jam untuk menghasilkan simulasi resolusi tinggi menggunakan inti pemrosesan tunggal. Dengan pendekatan baru tersebut, peneliti hanya membutuhkan waktu 36 menit.

Hasilnya bahkan lebih dramatis ketika lebih banyak partikel ditambahkan ke simulasi. Untuk alam semesta 1.000 kali lebih besar dengan 134 miliar partikel, metode baru para peneliti membutuhkan waktu 16 jam pada satu unit pemrosesan grafis. Metode yang ada akan memakan waktu lama sehingga mereka bahkan tidak akan layak dijalankan tanpa sumber daya superkomputer khusus, kata Li.

Li adalah peneliti bersama di Pusat Astrofisika Komputasi Institut Flatiron dan Pusat Matematika Komputasi. Dia ikut menulis studi dengan Yueying Ni, Rupert Croft dan Tiziana Di Matteo dari Carnegie Mellon University; Simeon Bird dari Universitas California, Riverside; dan Yu Feng dari Universitas California, Berkeley.

Simulasi kosmologis sangat diperlukan untuk astrofisika. Ilmuwan menggunakan simulasi untuk memprediksi bagaimana alam semesta akan terlihat dalam berbagai skenario, seperti jika energi gelap yang memisahkan alam semesta bervariasi dari waktu ke waktu. Pengamatan teleskop kemudian dapat mengkonfirmasi apakah prediksi simulasi sesuai dengan kenyataan. Membuat prediksi yang dapat diuji membutuhkan simulasi yang berjalan ribuan kali, jadi pemodelan yang lebih cepat akan menjadi keuntungan besar di lapangan.

Mengurangi waktu yang diperlukan untuk menjalankan simulasi kosmologis “berpotensi memberikan kemajuan besar dalam kosmologi numerik dan astrofisika,” kata Di Matteo. Simulasi kosmologis mengikuti sejarah dan nasib alam semesta, hingga pembentukan semua galaksi dan lubang hitamnya.

Sejauh ini, simulasi baru hanya mempertimbangkan materi gelap dan gaya gravitasi. Meskipun ini mungkin tampak seperti penyederhanaan yang berlebihan, sejauh ini gravitasi merupakan gaya dominan alam semesta dalam skala besar, dan materi gelap merupakan 85 persen dari semua ‘benda’ di kosmos. Partikel dalam simulasi bukanlah partikel materi gelap literal tetapi digunakan sebagai pelacak untuk menunjukkan bagaimana bit materi gelap bergerak melalui alam semesta.

Kode tim menggunakan jaringan saraf untuk memprediksi bagaimana gravitasi akan memindahkan materi gelap dari waktu ke waktu. Jaringan tersebut menyerap data pelatihan dan menjalankan penghitungan menggunakan informasi tersebut. Hasilnya kemudian dibandingkan dengan hasil yang diharapkan. Dengan pelatihan lebih lanjut, jaringan akan beradaptasi dan menjadi lebih akurat.

Pendekatan spesifik yang digunakan oleh para peneliti, yang disebut jaringan adversarial generatif, mengadu dua jaringan saraf satu sama lain. Satu jaringan mengambil simulasi alam semesta beresolusi rendah dan menggunakannya untuk menghasilkan model resolusi tinggi. Jaringan lain mencoba membedakan simulasi tersebut dari yang dibuat dengan metode konvensional. Seiring waktu, kedua jaringan saraf menjadi lebih baik dan lebih baik sampai, pada akhirnya, generator simulasi menang dan membuat simulasi cepat yang terlihat seperti simulasi konvensional yang lambat.

“Kami tidak bisa membuatnya bekerja selama dua tahun,” kata Li, “dan tiba-tiba itu mulai bekerja. Kami mendapatkan hasil yang indah yang sesuai dengan yang kami harapkan. Kami bahkan melakukan beberapa tes buta sendiri, dan kebanyakan dari kami tidak tahu mana yang ‘asli’ dan mana yang ‘palsu.’ ”

Meskipun hanya dilatih menggunakan area ruang kecil, jaringan saraf secara akurat mereplikasi struktur skala besar yang hanya muncul dalam simulasi yang sangat besar.

Simulasi tidak menangkap semuanya. Karena mereka hanya berfokus pada materi gelap dan gravitasi, fenomena skala kecil – seperti pembentukan bintang, supernova, dan efek lubang hitam – diabaikan. Para peneliti berencana untuk memperluas metode mereka untuk memasukkan kekuatan yang bertanggung jawab atas fenomena tersebut, dan untuk menjalankan jaringan saraf mereka ‘dengan cepat’ bersamaan dengan simulasi konvensional untuk meningkatkan ketepatan. “Kami belum tahu persis bagaimana melakukan itu, tapi kami membuat kemajuan,” kata Li.

Referensi: “Simulasi kosmologis resolusi tinggi yang dibantu AI” oleh Yin Li, Yueying Ni, Rupert AC Croft, Tiziana Di Matteo, Simeon Bird dan Yu Feng, 4 Mei 2021, Prosiding National Academy of Sciences.
DOI: 10.1073 / pnas.2022038118