Największa kolekcja kosmicznych symulacji treningu sztucznej inteligencji do pobrania za darmo, która naprawdę stymuluje odkrycia

Z łącznie 4233 symulacjami wszechświata, milionami galaktyk i 350 terabajtami danych, nowa edycja Projektu CAMELS jest skarbnicą dla kosmologów. Wielbłądy – co oznacza Cosmology and Astrophysics with Simulation Learning from MachinE – ma na celu wykorzystanie tych symulacji do trenowania modeli AI w celu rozszyfrowania właściwości wszechświata.

Naukowcy już korzystają z danych, I można go pobrać za darmo, aby wesprzeć nowe badania, mówi lider współprojektu Francisco Villascosa Navarro, naukowiec z grupy analiz i symulacji CMB (Cosmic Microwave Background) Fundacji Simmonsa.

Villaescusa-Navarro kieruje projektem wraz z Associate Research Scientists w Centrum Astrofizyki Obliczeniowej (CCA) Instytutu Flatiron (CCA) Shy Genelem i Danielem Anglés-Alcázarem, również profesorem nadzwyczajnym fizyki na UConn.

„Uczenie maszynowe rewolucjonizuje wiele dziedzin nauki, ale ich wykorzystanie wymaga ogromnej ilości danych” — mówi Anglés-Alcázar. „Udostępnienie danych publicznych CAMELS, z tysiącami symulowanych wszechświatów obejmujących szeroki zakres prawdopodobnej fizyki, zapewni społecznościom zajmującym się formowaniem galaktyk i kosmologami wyjątkową okazję do zbadania potencjału nowych algorytmów uczenia maszynowego do rozwiązywania różnych problemów. „

Zespół CAMELS stworzył symulacje przy użyciu kodu zaczerpniętego z projektów IllustrisTNG i Simba. Zespół CAMELS ma członków w obu projektach, z Genelem jako częścią głównego zespołu IllustrisTNG i Anglés-Alcázar w zespole, który opracował Simbę.

Około połowa symulacji łączy fizykę wszechświata z fizyką na mniejszą skalę niezbędną do tworzenia galaktyk. Wszystko symulacja Działa z nieco innymi założeniami na temat wszechświata – na przykład w odniesieniu do ilości niewidzialnej ciemnej materii we wszechświecie w porównaniu z ciemna energia Opór wszechświata lub ogromna ilość energii, którą czarne dziury wstrzykują w przestrzeń międzygalaktyczną.

Naukowcy zaprojektowali symulacje, aby mogły zostać wprowadzone do modeli uczenia maszynowego, które następnie będą w stanie wyodrębnić informacje z obserwacji rzeczywistego, obserwowalnego wszechświata. Dzięki 4233 symulacjom wszechświata CAMELS jest największym w historii zestawem szczegółowych symulacji kosmicznych zaprojektowanych do trenowania algorytmów uczenia maszynowego.

„Dane umożliwią nowe odkrycia i połączą kosmologię z astrofizyką poprzez uczenie maszynowe” – mówi Veliscosa Navarro. „Nigdy nie było czegoś podobnego, z tymi wieloma symulacjami wszechświata”.

Zbiór danych CAMELS już wspiera projekty badawcze z szeroką gamą artykułów wykorzystujących dane w biznesie.

Pablo Villanueva Domingo z Uniwersytetu w Walencji w Hiszpanii kierował jednym z tych artykułów. On i jego koledzy wykorzystali symulacje CAMELS do wytrenowania modelu sztucznej inteligencji do pomiaru masy naszej galaktyki Drogi Mlecznej, a także otaczającego ją halo ciemnej materii, pobliskiej galaktyki Andromedy i jej halo. Pomiary – pierwsze w historii wykorzystujące sztuczną inteligencję – oszacowały masę naszej galaktyki od 1 biliona do 2,6 biliona mas Słońca. Szacunki te są z grubsza zgodne z tymi dokonanymi innymi metodami, demonstrując dokładność podejścia AI.

Tymczasem Velascosa Navarro podjął próbę wykorzystania danych CAMELS do oszacowania wartości dwóch parametrów, które rządzą podstawowymi właściwościami wszechświata: która część wszechświata jest materią i jak równomiernie rozłożona jest masa w całym wszechświecie. Najpierw on i jego koledzy wykorzystali CAMELE do tworzenia map, takich jak rozmieszczenie ciemnej materii i gazu oraz różne właściwości gwiazd. Następnie, korzystając z map, przeszkolili A nauczanie maszynowe Narzędzie zwane siecią neuronową do przewidywania wartości dwóch parametrów.

„Jest to ten sam rodzaj algorytmu, który jest używany do odróżnienia kota od psa na podstawie pikseli na obrazie” – mówi Genell, który jest współautorem artykułu badawczego. „Ludzkie oko nie jest w stanie stwierdzić, ile ciemnej materii jest w symulacji, ale sieć neuronowa może”.

Wyniki wskazują na obietnicę wykorzystania Wielbłądów do dokładnego oszacowania tych parametrów w przyszłości na podstawie nowych obserwacji istnienie, mówi Villascosa Navarro.

„To ekscytujące widzieć, co umożliwią inne nowe odkrycia”, mówi.