최상의 결과를 위해 서로 "경쟁"하는 신경망 쌍을 기반으로 한 모델링 기술은 초 고해상도 우주 시뮬레이션의 새로운 시대를 열 수 있다. 제작자는 PNAS (National Academy of Sciences) 저널에 획기적인 발전을 보고한다.
"현재 계산 시간에 대한 제약은 일반적으로 우리가 고해상도와 대용량 모두에서 우주를 시뮬레이션 할 수 없음을 의미한다."고 뉴욕시 Flatiron Institute의 천체 물리학자이자 이 논문의 주 저자인 Yin Li는 설명한다. "우리의 새로운 기술을 사용하면 두 가지를 모두 효율적으로 사용할 수 있다. 앞으로 이러한 AI 기반 방법은 특정 응용 프로그램의 표준이 될 것이다."
새로운 방법은 저해상도 및 고해상도 모두에서 작은 공간 영역의 모델로 머신러닝 알고리즘을 제공한다. 그런 다음 AI는 고해상도 버전에서 찾은 세부 사항과 일치하도록 저해상도 모델을 업 스케일링 하는 방법을 배운다. 완전히 훈련되면 풀 스케일 저해상도 모델을 가져와 최대 512배 많은 입자를 포함하는 '초 해상도'시뮬레이션을 생성할 수 있다. Li와 동료에 따르면 이 과정은 흐릿한 사진을 찍고 누락된 세부 사항을 다시 추가하여 선명하고 명확하게 만드는 것과 유사하다.
이러한 업 스케일링은 엄청난 시간 절약을 가져온다. 우리 은하수와 100,000개의 다른 은하가 있는 라니아케아 초 은하단( The Laniakea Supercluster)의 지름은 5억 2천만 광년이다. 1억 3400만 개의 입자 (은하 당 약 1,340개)를 포함하는 이 크기의 영역에 대해 기존 방법은 단일 처리 코어를 사용하여 고해상도 시뮬레이션을 생성하는 데 560시간이 걸린다. 연구자들은 새로운 알고리즘을 사용하는 데 단 36분이 필요했다.
그들은 더 많은 수의 입자로 훨씬 더 극적인 결과를 얻었다. 약 1,340 억 개의 입자가 있는 1,000배 더 큰 우주의 경우 이 팀의 방법은 단일 그래픽 처리 장치에서 16시간이 걸렸다. 기존 방법은 시간이 너무 오래 걸리기 때문에 전용 슈퍼 컴퓨팅 리소스 없이는 실행할 가치조차 없을 것이라고 Li는 말한다.
우주 시뮬레이션은 천체 물리학에 없어서는 안될 필수 요소이다. 그것들은 우주가 시간이 지남에 따라 분리되는 암흑 에너지와 같은 다양한 시나리오에서 어떻게 보이고 행동할지 예측하는 데 사용될 수 있다. 망원경 관측은 시뮬레이션의 예측이 현실과 일치하는지 확인할 수 있다. 테스트 가능한 예측을 생성하려면 시뮬레이션을 수천 번 실행해야 하므로 더 빠른 모델링은 현장에 큰 도움이 될 것이다.
이 연구를 공동 집필한 카네기 멜론 대학의 Tiziana Di Matteo는 우주 시뮬레이션을 실행하는 데 걸리는 시간을 줄이면 "수치 우주론과 천체 물리학의 주요 발전을 제공할 잠재력이 있다"고 말한다. "우주 시뮬레이션은 모든 은하와 블랙홀의 형성에 이르기까지 우주의 역사와 운명을 따른다."
팀의 알고리즘은 유명한 웹 사이트인 thispersondoesnotexist.com에서 사용된 것과 동일한 기술인 GAN (Generative Adversarial Network)을 기반으로 한다. 이것은 가장 정확한 결과를 도출하기 위해 두 개의 신경망을 서로 대립 (따라서 "적대적")하는 방법이다. 한 네트워크는 우주의 저해상도 시뮬레이션을 사용하여 고해상도 모델을 생성했다. 다른 네트워크는 이러한 시뮬레이션을 이전 방법으로 만든 시뮬레이션과 구별하려고 했다. 시간이 지남에 따라 두 신경망은 점점 더 좋아졌고 궁극적으로 시뮬레이션 생성기가 승리하여 느린 기존의 것과 같은 빠른 시뮬레이션을 만들었다.
"2년 동안 작동시킬 수 없었다."고 Li는 말한다, "그리고 갑자기 작동하기 시작했다. 우리는 예상했던 것과 일치하는 아름다운 결과를 얻었다. 우리는 블라인드 테스트를 직접 수행했지만 대부분의 사람들은 어느 것이 '진짜'인지 '가짜'인지 알 수 없었다."
작은 공간을 사용하여 훈련을 받았음에도 불구하고 GAN은 거대한 시뮬레이션에서만 나타나는 대규모 구조를 정확하게 복제했다.
그러나 시뮬레이션에서 모든 것이 캡처 되는 것은 아니다. 암흑 물질과 중력에 초점을 맞추기 때문에 별 형성, 초신성 및 블랙홀의 영향과 같은 소규모 현상은 제외된다. 연구원들은 이러한 힘을 포함하도록 방법을 확장하고 기존 시뮬레이션과 함께 '즉석에서'신경망을 실행하여 정확도를 높일 계획이다.
