Если вы считаете галактику большой, сравните ее с размерами Вселенной: это всего лишь крошечная точка, которая вместе с огромным количеством других крошечных точек образует скопления, которые агрегируются в сверхскопления, которые, в свою очередь, сплетаются в нити, пронизанные пустотами — необъятный трехмерный скелет нашей Вселенной.
Если это вызывает у вас головокружение, и вы задаетесь вопросом, как можно понять или даже «увидеть» нечто столь огромное, ответ таков: это непросто. Ученые объединяют физику Вселенной с данными астрономических приборов и строят теоретические модели, такие как EFTofLSS (Эффективная теория поля крупномасштабной структуры). Эти модели, подпитываемые наблюдениями, статистически описывают «космическую паутину» и позволяют оценить ее ключевые параметры.
Однако такие модели, как EFTofLSS, требуют много времени и вычислительных ресурсов. Поскольку доступные нам астрономические наборы данных растут в геометрической прогрессии, нам нужны способы облегчить анализ без потери точности. Вот почему существуют эмуляторы: они «имитируют» реакцию моделей, но работают гораздо быстрее.
Учитывая, что это своего рода упрощение, насколько велика опасность потери точности?
Международная команда, включающая, среди прочих, INAF (Италия), Университет Пармы (Италия) и Университет Ватерлоо (Канада), опубликовала в Journal of Cosmology and Astroparticle Physics исследование, тестирующее разработанный ими эмулятор Effort.jl. Исследование озаглавлено «Effort.jl: быстрый и дифференцируемый эмулятор для эффективной теории поля крупномасштабной структуры Вселенной».
Оно показывает, что Effort.jl обеспечивает практически ту же корректность, что и имитируемая им модель — иногда даже более тонкую детализацию — при этом работая за минуты на стандартном ноутбуке вместо суперкомпьютера.
«Представьте, что вы хотите изучить содержимое стакана воды на уровне его микроскопических компонентов, отдельных атомов или даже мельче: теоретически это возможно. Но если бы мы хотели подробно описать, что происходит при движении воды, взрывной рост необходимых вычислений делает это практически невозможным», — объясняет Марко Боничи, исследователь из Университета Ватерлоо и первый автор исследования.
«Однако вы можете закодировать определенные свойства на микроскопическом уровне и увидеть их эффект на макроскопическом уровне, а именно движение жидкости в стакане. Это то, что делает эффективная теория поля, то есть модель, подобная EFTofLSS, где вода в моем примере — это Вселенная в очень больших масштабах, а микроскопические компоненты — это мелкомасштабные физические процессы».
Теоретическая модель статистически объясняет структуру, которая порождает собранные данные: астрономические наблюдения подаются в код, который вычисляет «предсказание». Но это требует времени и значительных вычислений. Учитывая сегодняшний объем данных — и то, что ожидается от уже начавшихся или скоро начинающихся обзоров (таких как DESI, который уже выпустил первую партию данных, и Euclid) — непрактично делать это исчерпывающе каждый раз.
«Вот почему мы теперь обращаемся к эмуляторам, подобным нашему, которые могут значительно сократить время и ресурсы», — продолжает Боничи.
Эмулятор по существу имитирует то, что делает модель: его ядро — это нейронная сеть, которая учится связывать входные параметры с уже вычисленными предсказаниями модели.
Сеть обучается на выходных данных модели и после обучения может обобщать комбинации параметров, которые она не видела. Эмулятор не «понимает» саму физику: он очень хорошо знает реакции теоретической модели и может предвидеть, что она выдаст для нового ввода.
Оригинальность Effort.jl заключается в том, что он дополнительно сокращает фазу обучения, встраивая в алгоритм уже имеющиеся у нас знания о том, как меняются предсказания при изменении параметров: вместо того, чтобы сеть «переучивалась», он использует их с самого начала.
Effort.jl также использует градиенты — то есть, «насколько и в каком направлении» меняются предсказания, если вы немного изменяете параметр — еще один элемент, который помогает эмулятору учиться на гораздо меньшем количестве примеров, сокращая вычислительные потребности и позволяя ему работать на меньших машинах.
Такой инструмент нуждается в обширной проверке: если эмулятор не знает физики, насколько мы уверены, что его ярлык дает правильные ответы (то есть те же, что дала бы модель)? Недавно опубликованное исследование отвечает именно на этот вопрос, показывая, что точность Effort.jl — как на смоделированных, так и на реальных данных — тесно согласуется с моделью.
«И в некоторых случаях, когда с моделью приходится отсекать часть анализа для ускорения, с Effort.jl мы смогли включить и эти недостающие части», — заключает Боничи.
Таким образом, Effort.jl становится ценным союзником для анализа предстоящих выпусков данных экспериментов, таких как DESI и Euclid, которые обещают значительно углубить наши знания о Вселенной в больших масштабах.
Прикрепляю изображение, иллюстрирующее концепцию космической паутины.
Читайте также: Наша галактика, похоже, является частью структуры настолько огромной, что ставит под сомнение наши модели космологии
Комментировать можно ниже в разделе “Добавить комментарий”.