Przecław News

Informacje o Polsce. Wybierz tematy, o których chcesz dowiedzieć się więcej w Wiadomościach Przecławia.

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

Projekt CAMELS (Cosmology and Astrophysics with Simulation Learning from MachinE) łączy ponad 4000 kosmicznych symulacji, miliony galaktyk i 350 terabajtów danych w celu rozszyfrowania tajemnic wszechświata. Źródło: Uniwersytet Connecticut

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.


Uczenie maszynowe przyspiesza kosmiczne symulacje


cytat: Największa kolekcja kosmicznych symulacji do treningu sztucznej inteligencji, do pobrania za darmo, już skatalizowana (2022, 7 stycznia) Pobrano 7 stycznia 2022 z https://phys.org/news/2022-01-largest-cosmic-simulations -ai -free.html

Niniejszy dokument podlega prawu autorskiemu. Bez względu na jakiekolwiek uczciwe postępowanie w celach prywatnych studiów lub badań, żadna część nie może być powielana bez pisemnej zgody. Treść jest udostępniana wyłącznie w celach informacyjnych.

READ  Badania genomiczne ujawniają pochodzenie jadu pszczół, który poprzedzał użądlenie