Primeiro simulador de universo com Inteligência Artificial já superou as expectativas
Astrofísicos usaram pela primeira vez inteligência artificial para gerar simulações em 3D do universo. Os resultados foram tão rápidos, precisos e robustos que nem os próprios pesquisadores entendem como eles aconteceram.
O projeto se chama Modelo de Deslocamento de Densidade Profunda, ou D3M. A velocidade e precisão do modelo não foram surpreendentes para os pesquisadores, mas sim a habilidade em simular de forma correta como o universo ficaria se alguns parâmetros fossem alterados. O mais interessante é que o modelo nunca recebeu nenhum dado de treinamento sobre como esses parâmetros variavam.
“Seria como treinar um software de reconhecimento de imagem com várias imagens de gatos e cães, e aí ele consegue reconhecer elefantes”, compara Shirley Ho, co-autora do estudo e professora da Universidade Carnegie Mellon (EUA). “Ninguém sabe como ele faz isso, e é um enorme mistério a ser resolvido”, complementa ela.
O modelo foi apresentado no dia 24 de junho na publicação Proceedings of the National Academy of Sciences. O autor principal do estudo foi Siyu He, analista do Instituto Flatiron (EUA). Ho e He trabalharam em colaboração com Yin Li e Yu Feng da Universidade da Califórnia em Berkeley, com Wei Chen do Instituto Flatiron, Siamak Ravanbakhsh da Universidade de British Columbia (Canadá) e Barnabás Póczos da Universidade Carnegie Mellon.
Esse tipo de simulação do D3M é muito importante para a astrofísica teórica. Cientistas querem saber como o cosmo pode se desenvolver em vários cenários, como por exemplo se a energia escura do universo variasse com o passar do tempo. Esse tipo de estudo exige que milhares de simulações sejam feitas, portanto um modelo computacional rápido e confiável é o sonho de consumo dos astrofísicos modernos.
Depois de treinar o D3M, pesquisadores fizeram simulações de um universo com formato de cubo com 600 milhões de anos-luz de lado e compararam os resultados com modelos rápidos e lentos que já existiam. O modelo lento e mais confiável leva centenas de horas de cálculos, enquanto o sistema rápido leva poucos minutos. Já o D3M completou a simulação em 30 milissegundos.
Além disso, o D3M também teve precisão impressionante. Quando comparado com o modelo lento, ele teve uma taxa de erro de 2.8%. Já o sistema rápido teve uma taxa de 9,3% de erros quando comparado com o modelo lento. Ou seja: o sistema rápido parece ter sido passado para trás pelo D3M.
Os pesquisadores agora querem saber por que o modelo que foi treinado para identificar “gatos e cachorros” está conseguindo identificar também “elefantes”. “Nós podemos ser um playground interessante para um aprendiz de máquina ver porque esse modelo extrapola tão bem. É uma via de mão dupla entre ciência e deep learning”, diz Ho. [Phys.org]
