宇宙学模拟是揭开宇宙众多奥秘的一个重要部分，包括暗物质和暗能量的奥秘。但是直到现在，研究人员还面临着鱼和熊掌的难题，那就是如何实现可以在高分辨率下专注于一个小区域的模拟，也可以在低分辨率下囊括大片宇宙。

卡内基梅隆大学物理学教授Tiziana Di Matteo和Rupert Croft、Flatiron研究所研究员Yin Li、卡内基梅隆大学博士生Yueying Ni、加州大学河滨分校物理学和天文学教授Simeon Bird和加州大学伯克利分校的Yu Feng通过教授一种基于神经网络的机器学习算法，将模拟从低分辨率升级到超分辨率，克服了这个问题。

"宇宙学模拟需要覆盖大体积的宇宙学研究，同时也需要高分辨率来解决小尺度星系形成的物理问题，这将招致艰巨的计算挑战。我们的技术可以作为一个强大而有前途的工具，通过对大宇宙学体积中的小尺度星系形成物理进行建模，来同时满足这两个要求。"倪说，他进行了模型的训练，建立了测试和验证的管道，分析了数据并根据数据制作了可视化。

训练后的代码可以采用全尺寸的低分辨率模型，并生成包含多达512倍颗粒的超分辨率模拟。对于宇宙中一个大约5亿光年的区域，包含1.34亿个粒子，现有的方法将需要560个小时来使用一个处理核心搅动出一个高分辨率的模型，而使用新的方法，研究人员只需要36分钟。

当更多的粒子被添加到模拟中时，结果甚至更加戏剧性。对于一个有1340亿个粒子的1000倍大的宇宙，研究人员的新方法在单个图形处理单元上需要16个小时。使用传统的方法，完成这种规模和分辨率的模拟将需要一台专门的超级计算机来完成。

科学家们使用宇宙学模拟来预测宇宙在各种情况下的样子，例如，如果拉开宇宙的暗能量随时间变化，然后通过望远镜观测确认模拟的预测是否符合现实。

"宇宙是最大的数据集--人工智能是理解宇宙和揭示新物理学的关键，"卡内基梅隆大学物理系教授兼主任、国家科学基金会规划研究所所长斯科特-多德尔森说。"这项研究说明了国家科学基金会人工智能规划研究所将如何通过人工智能、机器学习、统计学和数据科学推动物理学的发展。"

"很明显，人工智能正在对许多科学领域产生巨大的影响，包括物理学和天文学，"NSF物理学部的项目主任James Shank说。 "我们的人工智能规划研究所项目正在努力推动人工智能加速发现。这项新成果是人工智能如何改变宇宙学的一个很好的例子。"

Ni和Li利用这些领域创建了一套代码，使用神经网络来预测引力如何在一段时间内移动暗物质。这些网络接受训练数据，运行计算，并将结果与预期结果进行比较。随着进一步的训练，网络适应并变得更加准确。

研究人员使用的具体方法，被称为生成对抗网络，让两个神经网络相互对抗。一个网络对宇宙进行低分辨率的模拟，并使用它们来生成高分辨率的模型。另一个网络试图将这些模拟与传统方法制作的模拟区分开来。随着时间的推移，两个神经网络都变得越来越好，直到最终，模拟生成器胜出并创造出快速模拟的能力。

尽管只是使用小面积的空间进行训练，但神经网络准确地复制了只有在巨大的模拟中出现的大规模结构。

不过，这些模拟并没有捕捉到一切。因为他们专注于暗物质和引力，较小规模的现象--如恒星形成、超新星和黑洞的影响被排除在外。研究人员计划扩展他们的方法，以包括负责此类现象的力量，并在常规模拟中加载他们的神经网络，以提高准确性。