Proračuni savijanja uma potrebni su za predviđanje kako su tri nebeska tijela u orbiti oko jednoga zbunjivali fizičare još od vremena Sir Isaaca Newtona. Sada je umjetna inteligencija (A.I.) pokazala da problem može riješiti u djeliću vremena koje je zahtijevalo prethodna pristupa.
Newton je prvi formulirao problem u 17. stoljeću, ali pronalazak jednostavnog načina za njegovo rješavanje pokazao se nevjerojatno teškim. Gravitacijske interakcije tri nebeska objekta poput planeta, zvijezda i mjeseca rezultiraju kaotičnim sustavom - složenim i vrlo osjetljivim na početne položaje svakog tijela.
Postojeći pristupi rješavanju ovih problema uključuju korištenje softvera koji mogu potrajati tjednima ili čak mjesecima za izradu proračuna. Dakle, istraživači su odlučili vidjeti hoće li neuronska mreža - vrsta uzorka prepoznati A.I. što lagano oponaša kako mozak funkcionira - moglo bi i bolje.
Algoritam koji su ugradili pružila je precizna rješenja i do 100 milijuna puta bržeg od najnaprednijeg softverskog programa, poznatog kao Brutus. To bi se moglo pokazati neprocjenjivim astronomima koji pokušavaju shvatiti stvari poput ponašanja zvjezdanih grozdova i šire evolucije svemira, rekao je Chris Foley, biostatističar sa Sveučilišta u Cambridgeu i koautor članka u bazi podataka arXiv, koja još uvijek nije biti pregledan.
"Ova neuronska mreža, ako čini dobar posao, trebala bi nam omogućiti rješenja u neviđenom vremenskom okviru", rekao je za Live Science. "Tako da možemo započeti razmišljati o napretku s mnogo dubljim pitanjima, poput formiranja gravitacijskih valova."
Neuronske mreže moraju biti osposobljene napajanjem podataka prije nego što mogu predvidjeti. Dakle, istraživači su morali stvoriti 9.900 pojednostavljenih scenarija s tri tijela koristeći Brutus, trenutno vodećeg kad je riječ o rješavanju problema s tri tijela.
Potom su testirali koliko dobro neuronska mreža može predvidjeti razvoj 5000 nevidjenih scenarija i otkrili su da se njezini rezultati poklapaju s onima iz Brutusa. Međutim, program temeljen na A.I. riješio je probleme u prosjeku samo djelić sekunde, u usporedbi s gotovo 2 minute.
Razlog zbog kojeg su programi poput Brutusa tako spori je taj što oni problem rješavaju grubom silom, rekao je Foley, izvodeći proračune za svaki mali korak putanje nebeskih tijela. S druge strane, neuronska mreža jednostavno gleda kretanja koja ti proračuni proizvode i izvodi obrazac koji vam može pomoći predvidjeti kako će se odigrati budući scenariji.
To ipak predstavlja problem zbog povećanja sustava, rekao je Foley. Trenutni algoritam dokaz je koncepta i naučen je iz pojednostavljenih scenarija, ali obuka složenijih ili čak povećanje broja tijela koja su uključena na četiri od pet prvo zahtijeva da generirate podatke o Brutusu, što može biti iznimno vremensko, konzumna i skupa.
"Postoji međusobna povezanost između naše sposobnosti da treniramo fantastično uspješnu neurološku mrežu i naše sposobnosti da stvarno dobijemo podatke pomoću kojih ih treniramo", rekao je. "Dakle, tamo je usko grlo."
Jedan od problema oko istraživača bio bi istraživačima da stvore zajedničko spremište podataka dobivenih pomoću programa poput Brutusa. Ali prvo bi to zahtijevalo stvaranje standardnih protokola kako bi se osiguralo da su svi podaci konzistentni standard i format, rekao je Foley.
Postoji još nekoliko problema s kojima se mora raditi i s neuronskom mrežom, rekao je Foley. Može se pokrenuti samo postavljeno vrijeme, ali nije moguće unaprijed znati koliko će određenog scenarija trebati da se dovrši, pa će algoritmu ponestati pare prije nego što se problem riješi.
Istraživači ipak ne predviđaju da neuronska mreža djeluje izolirano, rekao je Foley. Misle da bi najbolje rješenje bilo za program poput Brutusa da većinu nogu radi s neuronskom mrežom, uzimajući samo dijelove simulacije koji uključuju složenije izračune koji obore softver.
"Vi stvarate ovaj hibrid", rekao je Foley. "Svaki put kada se Brutus zaglavi, zaposlite neuronsku mrežu i gurnete je prema naprijed. Tada procjenjujete da li se Brutus odlepio ili ne."
