大数据文摘出品
作者：易琬玉、曹培信
《创世纪》里，神用7天创造了这个世界。而现在，你可能也有机会体验这个过程，创造一个属于自己的宇宙。
6月11日，Space Engine 0.990版本在Steam平台发售，发售不到一天，近300测评全部为最高评价，截止6月20日已经卖出了2万份，同时Steam用户好评率高达96%。之后，还得到了资深电脑游戏玩家、复旦大学中文系教授严峰的微博推荐。
这款游戏到底为何这么受玩家热捧呢？
Space Engine是一款宇宙模拟游戏，它包含数千个真实的天体，包括来自HIP目录的恒星，来自NGC和IC目录的星系，几个知名的星云，以及所有已知的系外行星和它们的恒星。它采用星表与程序化生成创造一个边长为10Gpc的立方体宇宙，同时1:1还原了现实宇宙。
更让人震惊的是，这款游戏是是由一个俄罗斯天文学家兼码农单枪匹马开发出来的，从第一个版本开始，前后共花了九年的时间。
Vladimir Romanyuk
但如果说Space Engine只是计算机对宇宙的一种逼真展现，还停留在游戏层面，那么同一个月，另一群对天文和计算机有着狂热情怀的组织，纽约天体物理学信息中心的研究人员们，则在试图做一件更伟大的事——用AI重新创造一个宇宙。
使用神经网络模拟宇宙
6月24日，纽约天体物理学信息中心的研究人员在美国国家科学院院刊上发表了一项研究，AI创造了前所未见的模拟宇宙，效果逼真，然而AI如何完成这一模型的却是个迷。
论文下载链接：
https://www.pnas.org/content/pnas/early/2019/06/21/1821458116.full.pdf
这个项目的工作目标是为了再现宇宙起源时的种种环境条件，但是神经科学家们显然也对自己创造的模拟器的工作原理十分感兴趣。
“这就像你只是用猫和狗的图片去训练图像识别软件，但是它却可以识别大象，”这项研究的作者之一，纽约天体物理学信息中心的理论天文学家Shirley Ho评论，“没有人知道AI到底是怎么做到的，这是一个有待解决的大谜题。”
宇宙年龄和度量在数据上的巨大使得理解这些数据变得十分困难，计算机模型则是天文学家的一项有力工具。传统的模型需要多台计算机花费大量时间，因为天文学家们需要跑上千台模拟器，调整各种参数去得到最逼真的模拟。
没有录入任何相关数据，模型竟然自己跑出了“暗物质”
Shirley Ho和她的同事创造了一个深度学习网络来为这项模拟过程加速。Deep Density Displacement Model，或者叫它D^3M，这个神经网络被设计为通过识别数据的共性去“学习”如何操作这些数据。
研究人员将8000个通过传统高速计算机模拟的宇宙模型放入D^3M，等D^3M学习完这些模型的工作原理之后，研究人员就放入一个全新的前所未见的6亿光年宽度的宇宙可视立方体模型。（真正可被观测的宇宙大约是930亿光年宽度）
就像处理前面训练时的8000个数据集一样，面对这个全新的宇宙仿真模型，D^3M神经网络依旧游刃有余。
这项模拟关注的是重力在宇宙形成时所起到的作用，然而令人惊喜的是，当研究人员调到一些前所未见的参数——比如，可视宇宙中的暗物质数量——D^3M也能够进行模拟。这让研究者们目瞪口呆，因为他们从来没有对这个模型录入过任何暗物质相关的变量。
AI或可取代传统的数值模拟宇宙学
D^3M谜一样的特性同时吸引着计算机科学家和宇宙学家。
“我们可以变成机器学习者的游乐场，去探究为什么这个模型拥有对未知事物如此之强的推算能力，为什么他能识别出大象而不只是猫和狗，”Shirley Ho说，“这是科学和深度学习之间的双向街”。
这个模型也能为对宇宙起源感兴趣的科学家省下时间。新的神经网络可以在30毫秒内完成模拟，而对于那些没有AI加持的模拟器，最快也需要几分钟。同时，它也将错误率从9.3%降到2.8%。（这些错误率是相对于黄金标准精度而言的，一个模型需要花好几百个小时去做一次模拟）
研究人员现在计划改变这个神经网络的其他参数，去测试其他例如流体力学、液体气体的运动等影响宇宙形成的因素。
N-body模拟是预测宇宙结构形成的传统方法，但计算量大。而使用深层神经网络来预测宇宙结构的形成则优于传统的解析近似法，并且精确的外推远远超出了它的训练数据。文章表明，深度学习可以精确的近似宇宙模拟，因此可以利用深度学习生成复杂的宇宙学三维模拟。
而这也表明，深度学习将来或许可以替代传统的数值模拟宇宙学。
相关报道：