Os pesquisadores criaram com sucesso um modelo do Universo usando inteligência artificial, relata um novo estudo.

Os pesquisadores buscam entender nosso Universo fazendo previsões de modelos para coincidir com as observações. Historicamente, eles foram capazes de modelar sistemas físicos simples ou altamente simplificados, apelidado de brincadeira de "vacas esféricas, "com lápis e papel. Mais tarde, a chegada dos computadores permitiu-lhes modelar fenômenos complexos com simulações numéricas. Por exemplo, pesquisadores programaram supercomputadores para simular o movimento de bilhões de partículas ao longo de bilhões de anos de tempo cósmico, um procedimento conhecido como simulações de N-body, a fim de estudar como o Universo evoluiu para o que observamos hoje.

"Agora, com o aprendizado de máquina, desenvolvemos o primeiro modelo de rede neural do Universo, e demonstrou que há um terceiro caminho para fazer previsões, aquele que combina os méritos do cálculo analítico e da simulação numérica, "disse Yin Li, um pesquisador de pós-doutorado no Instituto Kavli de Física e Matemática do Universo, Universidade de Tóquio, e em conjunto com a Universidade da Califórnia, Berkeley.

Uma comparação da precisão de dois modelos do Universo. O novo modelo de aprendizado profundo (à esquerda), apelidado de D3M, é muito mais preciso do que um método analítico existente (à direita) chamado 2LPT. As cores representam o erro de deslocamento em cada ponto em relação à simulação numérica, que é preciso, mas muito mais lento do que o modelo de aprendizado profundo.

No início do nosso Universo, as coisas eram extremamente uniformes. Enquanto o tempo passava, as partes mais densas ficaram mais densas e as partes mais esparsas tornaram-se mais esparsas devido à gravidade, eventualmente formando uma estrutura semelhante a uma espuma conhecida como "teia cósmica". Para estudar este processo de formação de estrutura, pesquisadores tentaram muitos métodos, incluindo cálculos analíticos e simulações numéricas. Os métodos analíticos são rápidos, mas falham em produzir resultados precisos para grandes flutuações de densidade. Por outro lado, métodos numéricos (corpo N) simulam a formação da estrutura com precisão, mas rastrear zilhões de partículas é caro, mesmo em supercomputadores. Assim, para modelar o Universo, os cientistas muitas vezes enfrentam a compensação entre precisão e eficiência.

Contudo, o crescimento explosivo de dados observacionais em qualidade e quantidade exige métodos que se destacam tanto em precisão quanto em eficiência.

Para enfrentar este desafio, uma equipe de pesquisadores dos EUA, Canadá, e Japão, incluindo Li, visam o aprendizado de máquina, uma abordagem de ponta para detectar padrões e fazer previsões. Assim como o aprendizado de máquina pode transformar o retrato de um jovem em seu eu mais velho, Li e seus colegas perguntaram se ele também pode prever como os universos evoluem com base em seus primeiros instantâneos. Eles treinaram uma rede neural convolucional com dados de simulação de trilhões de anos-luz cúbicos de volume, e construiu um modelo de aprendizado profundo que foi capaz de imitar o processo de formação da estrutura. O novo modelo não é apenas muitas vezes mais preciso do que os métodos analíticos, mas também é muito mais eficiente do que as simulações numéricas usadas para seu treinamento.

"Ele tem os pontos fortes de ambos os métodos anteriores [cálculo analítico e simulação numérica], "disse Li.

Li diz que o poder da emulação de IA aumentará no futuro. As simulações de N-body já estão bastante otimizadas, e como uma primeira tentativa, o modelo de IA de sua equipe ainda tem muito espaço para melhorias. Também, fenômenos mais complicados incorrem em um custo maior na simulação, mas provavelmente não na emulação. Li e seus colegas esperam um ganho maior de desempenho de seu emulador de IA quando passam a incluir outros efeitos, como hidrodinâmica, nas simulações.

"Não demorará muito para que possamos descobrir as condições iniciais e a física codificada em nosso Universo ao longo deste caminho, " ele disse.