仿真器加快了模擬速度，如美國宇航局使用氣溶膠模型，顯示了澳大利亞火災產生的煙塵分佈。圖片來源：美國宇航局
即使用最快的超級計算機模擬複雜的自然現象也要花上幾個小時，如大氣霧霾如何影響氣候。而作為一種能夠快速模擬的算法，仿真器無疑提供了一條捷徑。一項日前發表在預印本服務器 arXiv 上的研究表明，人工智能可以很容易地生成精確的仿真器，可以將所有科學領域的仿真加速數十億倍。
“這是一件大事。”未參與該研究的美國勞倫斯利弗莫爾國家實驗室負責氣候模擬的 Donald Lucas 說，新系統自動創建的仿真器比他的團隊設計和訓練的模擬器更好、更快。新的仿真器可以用來改進它們所模擬的模型，並幫助科學家充分利用實驗設施。Lucas 表示，如果這項工作經得起同行的審查，“將在很大程度上改變一些事情”。
一個典型的計算機模擬程序一般會隨時計算物理作用力如何影響原子、雲團乃至星系。仿真器基於一種被稱為機器學習的人工智能形式。有了完整模擬的輸入和輸出，仿真器會尋找規律，並學習推測模擬程序將對新的輸入進行怎樣的處理。
新的仿真器基於神經網絡（受大腦線路啟發的機器學習系統），需要的模擬訓練很少。通過一種被稱為神經結構搜索的技術，可以識別出給定任務中數據效率最高的連接模式。
這種技術被稱為深度仿真器網絡搜索（DENSE），它依賴於斯坦福大學計算機科學家 Melody Guan 開發的一種通用神經結構搜索。它在網絡的輸入和輸出之間隨機插入計算層，用有限的數據測試和訓練生成的線路。如果添加的計算層可以提高性能，那麼它很可能被選用在未來的仿真器變化中，而重複這個過程可以改進仿真器。
Guan 說，“非常興奮”看到她的工作被用於“科學發現”。領導這項研究的英國牛津大學物理學家 Muhammad Kasim 表示，其團隊的研究是以 Guan 的研究為基礎進行的，因為它平衡了準確性和效率。
研究人員使用 DENSE 技術開發了 10 個仿真器，分別用於物理、天文、地質和氣候科學領域。DENSE 的仿真器表現出色，其速度比其他模擬器快 10 萬到 20 億倍。而且，這些仿真器非常精確：天文仿真器的結果與全模擬的一致性超過 99.9%，在 10 次模擬中，神經網絡仿真器比傳統仿真器要好得多。
Kasim 說，DENSE 技術甚至可以使研究人員實時分析數據，從而節省時間。“DENSE 仿真器可以足夠快地解釋數據，從而修改實驗。希望將來我們可以用它進行現場分析”。
閱讀更多 AI學習社 的文章
