Выполнимость этого метода была изложена в двух недавних работах, написанных астрономией, физикой и преподавателем статистики Робертом Бруннером, его студентом бакалавриата Хэршилом Камдэром и Национальным Центром Супервычисления Прикладного исследователя Мэтью Терка.Космологи в настоящее время используют два подхода моделирования. Первым является моделирование N-тела, который модели, как темная материя разрушается под силой тяжести. Эти моделирования, когда вместе с полуаналитической моделью, позволяют модели астрономов, как галактики формируются.
Вторым является гидродинамическое моделирование N-тела, которое позволяет астрономам, непосредственно образцовым, как обычное вещество взаимодействует с темной материей под гравитационным коллапсом, чтобы сформировать галактики; этот более в вычислительном отношении интенсивный подход непосредственно показывает как невидимые глыбы темной материи, называемой ореолами, звездным формированием влияния.«Темная материя формирует холмы и долины для силы тяжести. Газовые частицы попадают в долины», сказал Бруннер. «Они смешиваются, чтобы в конечном счете сформировать звезды посредством процесса, который мы называем гидродинамикой.
Это – довольно сложный процесс, подобный тому, как наша атмосфера работает».Гидродинамика, Бруннер сказал, дает космологам наиболее достоверную информацию, когда это составляется в моделированиях N-тела. Но есть недостаток к использованию гидродинамических моделирований: Они поднимают миллионы часов супервычислительного времени, которое мучает часто недоступный счет для научно-исследовательских работ.
«Полуаналитические моделирования поднимают тысячи часов также», сказал Камдэр. «Наш подход машинного обучения займет простые минуты».Машинное обучение использует компьютерные алгоритмы, чтобы определить отношения в высоко-размерных данных. Команда Иллинойса разработала алгоритм машинного обучения, чтобы нанести на карту отношения между ореолами темной материи и их коллегами обычного вещества в гидродинамических моделированиях галактики.Вычислительное время сокращений машинного обучения, приближая свойства, исследователь хочет посмотреть на использование алгоритма, это было обучено на одном из редких, миллионы часов гидродинамических моделирований.
В то время как точное размещение темной материи и частиц могло бы быть выключено, команда показала, что предсказанное распределение галактик и их свойств – почти пятно на, и с гидродинамическими моделированиями N-тела и с полуаналитическими моделями.«Аналогия использовала бы машинное обучение, чтобы предсказать множество студентов в классе. Мы не разобрались бы в счете каждого студента, но распределение очков будет правильным», сказал Бруннер.В первой работе, опубликованной в Ежемесячных Уведомлениях о Королевском Астрономическом Обществе, исследователи продемонстрировали, что машинное обучение смогло воссоздать распределение галактик, подобных произведенным полуаналитическими моделями.
Во второй представленной статье, теперь доступной на ArXiv, они сравнили метод машинного обучения с гидродинамическими моделированиями, нанеся на карту галактики на уровне частицы, и снова нашли, что парадигма машинного обучения выступила хорошо.Их будущая работа будет включать заселение единственного темной материей моделирования с галактиками, используя машинное обучение в вычислительное время простых минут.
Новая структура машинного обучения могла тогда использоваться, чтобы создать быстро моделируемые карты галактик, чтобы выдержать сравнение с наблюдениями.Новый метод открывает перспективу для инспекторов, которые сравнивают их наблюдения с моделированиями.
Это включает и Обзор Темной энергии и предстоящий Большой Синоптический Телескоп Обзора, оба из которых будут закаталогизированы в Университете Иллинойса.