p À medida que cosmologistas e astrofísicos se aprofundam nos recessos mais escuros do universo, sua necessidade de ferramentas observacionais e computacionais cada vez mais poderosas se expandiu exponencialmente. De instalações como o Instrumento Espectroscópico de Energia Escura a supercomputadores como o sistema Cori do Laboratório Nacional Lawrence Berkeley na instalação de Computação Científica de Pesquisa Energética Nacional (NERSC), eles estão em uma missão para coletar, simular, e analisar quantidades crescentes de dados que podem ajudar a explicar a natureza das coisas que não podemos ver, tão bem quanto aqueles que podemos. p Para este fim, lentes gravitacionais são uma das ferramentas mais promissoras que os cientistas possuem para extrair essas informações, dando-lhes a capacidade de sondar a geometria do universo e o crescimento da estrutura cósmica. Lentes gravitacionais distorcem imagens de galáxias distantes de uma forma que é determinada pela quantidade de matéria na linha de visão em uma determinada direção, e fornece uma maneira de olhar para um mapa bidimensional de matéria escura, de acordo com Deborah Bard, Líder do Grupo de Engajamento de Ciência de Dados no Centro Nacional de Computação Científica de Pesquisa Energética (NERSC) do Berkeley Lab.

p "Lentes gravitacionais são uma das melhores maneiras de estudar a matéria escura, o que é importante porque nos diz muito sobre a estrutura do universo, "disse ela." A maior parte da matéria no universo é matéria escura, que não podemos ver diretamente, portanto, temos que usar métodos indiretos para estudar como ele é distribuído. "

p Mas à medida que os conjuntos de dados experimentais e teóricos crescem, junto com as simulações necessárias para criar imagens e analisar esses dados, um novo desafio surgiu:essas simulações são cada vez mais - até mesmo proibitivamente - caras do ponto de vista computacional. Assim, cosmologistas computacionais frequentemente recorrem a modelos substitutos computacionalmente mais baratos, que emulam simulações caras. Mais recentemente, Contudo, "os avanços em modelos generativos profundos baseados em redes neurais abriram a possibilidade de construir modelos substitutos mais robustos e menos projetados à mão para muitos tipos de simuladores, incluindo aqueles em cosmologia, "disse Mustafa Mustafa, engenheiro de aprendizado de máquina da NERSC e autor principal de um novo estudo que descreve uma abordagem desenvolvida por uma colaboração envolvendo o Berkeley Lab, Pesquisa Google, e a Universidade de KwaZulu-Natal.

p Uma variedade de modelos generativos profundos estão sendo investigados para aplicações científicas, mas a equipe liderada pelo Berkeley Lab está adotando um rumo único:redes adversárias geradoras (GANs). Em um artigo publicado em 6 de maio, 2019 em Astrofísica Computacional e Cosmologia , eles discutem sua nova rede de aprendizagem profunda, apelidado de CosmoGAN, e sua capacidade de criar alta fidelidade, mapas de convergência de lentes gravitacionais fracas.

p "Um mapa de convergência é efetivamente um mapa 2-D das lentes gravitacionais que vemos no céu ao longo da linha de visão, "disse Bard, um co-autor no Astrofísica Computacional e Cosmologia papel. "Se você tem um pico em um mapa de convergência que corresponde a um pico em uma grande quantidade de matéria ao longo da linha de visão, isso significa que há uma grande quantidade de matéria escura nessa direção. "

p As vantagens dos GANs

p Por que optar por GANs em vez de outros tipos de modelos generativos? Desempenho e precisão, de acordo com Mustafa.

p "De uma perspectiva de aprendizado profundo, existem outras maneiras de aprender a gerar mapas de convergência a partir de imagens, mas quando começamos este projeto, os GANs pareciam produzir imagens de resolução muito alta em comparação com métodos concorrentes, embora ainda seja computacionalmente eficiente em termos de tamanho da rede neural, " ele disse.

p "Queríamos duas coisas:ser precisos e rápidos, "acrescentou o co-autor Zaria Lukic, um cientista pesquisador no Centro de Cosmologia Computacional do Laboratório de Berkeley. "Os GANs oferecem a esperança de serem quase tão precisos em comparação com as simulações físicas completas."

p A equipe de pesquisa está particularmente interessada em construir um modelo substituto que reduziria o custo computacional de execução dessas simulações. No Astrofísica Computacional e Cosmologia papel, eles descrevem uma série de vantagens dos GANs no estudo de grandes simulações de física.

p "GANs são conhecidos por serem muito instáveis ​​durante o treinamento, especialmente quando você chega ao final do treinamento e as imagens começam a ficar boas - é aí que as atualizações na rede podem ser realmente caóticas, "Mustafá disse." Mas porque temos as estatísticas resumidas que usamos em cosmologia, pudemos avaliar os GANs em cada etapa do treinamento, o que nos ajudou a determinar o gerador que consideramos o melhor. Este procedimento geralmente não é usado no treinamento de GANs. "

p Usando a rede de gerador CosmoGAN, a equipe foi capaz de produzir mapas de convergência que são descritos - com alta confiabilidade estatística - pelas mesmas estatísticas resumidas dos mapas totalmente simulados. Este nível muito alto de concordância entre mapas de convergência que são estatisticamente indistinguíveis dos mapas produzidos por modelos generativos baseados na física oferece um passo importante para a construção de emuladores a partir de redes neurais profundas.

p "A grande vantagem aqui era que o problema que estávamos enfrentando era um problema de física com métricas associadas, "Bard disse." Mas com a nossa abordagem, existem métricas reais que permitem quantificar o quão preciso é o seu GAN. Para mim, isso é o que é realmente empolgante - como esses tipos de problemas de física podem influenciar os métodos de aprendizado de máquina.

p Em última análise, essas abordagens podem transformar a ciência que atualmente depende de simulações físicas detalhadas que exigem bilhões de horas de computação e ocupam petabytes de espaço em disco - mas ainda há um trabalho considerável a ser feito. Dados de cosmologia (e dados científicos em geral) podem exigir medições de resolução muito alta, como imagens de telescópio de céu inteiro.

p "As imagens 2-D consideradas para este projeto são valiosas, mas as simulações de física reais são 3-D e podem variar no tempo? e irregulares, produzindo um rico, estrutura de recursos semelhante à da web, "disse Wahid Bhmiji, arquiteto de big data no grupo de Data and Analytics Services da NERSC e coautor no Astrofísica Computacional e Cosmologia papel. "Além disso, a abordagem precisa ser estendida para explorar novos universos virtuais em vez daqueles que já foram simulados - em última análise, construir um CosmoGAN controlável. "

p "A ideia de fazer GANs controláveis ​​é essencialmente o Santo Graal de todo o problema em que estamos trabalhando:para sermos capazes de realmente emular os simuladores físicos, precisamos construir modelos substitutos baseados em GANs controláveis, "Mustafa acrescentou." No momento, estamos tentando entender como estabilizar a dinâmica de treinamento, dados todos os avanços na área que aconteceram nos últimos dois anos. Estabilizar o treinamento é extremamente importante para realmente sermos capazes de fazer o que queremos fazer a seguir. "