Crean rápida y precisa IA para predecir la formación de la estructura cosmológica

Uno de los logros de D3M consiste en la flexibilidad que le permite basarse en parámetros que no habían sido parte de su entrenamiento

Por la naturaleza de la astrofísica computacional actual, un solo estudio podría requerir miles de simulaciones para obtener datos estadísticos útiles

En un artículo recientemente publicado por investigadores adscritos a prestigiosas instituciones de Canadá, Estados Unidos y Japón, se dieron a conocer los resultados de una experimentación con Inteligencia Artificial (IA) cuyo propósito es contribuir a diseñar técnicas que permitan aprender a predecir la formación de la estructura cosmológica. De acuerdo con los expertos en física y ciencias computacionales, su Modelo de Desplazamiento de Densidad Profunda (Deep Density Displacement Model, D3M) es altamente rápido y preciso.

Se trata de la primera vez que se utiliza IA para crear simulaciones complejas y tridimensionales del universo; el programa simula con precisión cómo la gravedad da forma al universo durante miles de millones de años y cada simulación toma sólo 30 milisegundos, en tanto a otras simulaciones les toma minutos llevar a cabo dicho proceso. El equipo liderado por Siyu He (Carnegie Mellon University y Flatiron Institute) entrenó el algoritmo con ocho mil simulaciones, pero en la practica D3M extrapoló y superó con mucho tales puntos de referencia, pudo incluso ajustar parámetros en los que ni siquiera había sido entrenado.

Otra de las autoras del artículo científico, Shirley Ho (Instituto Flatiron y la Universidad Carnegie Mellon), lo explica con un ejemplo: "Es como enseñar a software de reconocimiento de imágenes con muchas fotos de gatos y perros, pero luego es capaz de reconocer elefantes". Tal capacidad de la IA desarrollada por este equipo aún no ha sido comprendida por los propios investigadores, quienes no se explican exactamente cómo pudo su algoritmo ajustar parámetros en torno a los cuales no había recibido datos de ejemplo durante el entrenamiento.

Las simulaciones como esta rápida y precisa IA para predecir la formación de la estructura cosmológica ayudan a completar el rompecabezas astrofísico, pues si bien las observaciones del universo a nuestro alrededor pueden proporcionar mucha información sobre su evolución, hay límites hoy día sólo superables con ayuda de la astrofísica computacional. Tanto los resultados concordantes como aquellos divergentes en comparación con las observaciones contribuyen a descubrir los escenarios más probables que dieron lugar a la formación del universo.

Ahora bien, dada la naturaleza de la tecnología de la astrofísica computacional moderna, un solo estudio podría requerir miles de simulaciones para obtener datos estadísticos útiles. El calcular cómo, a lo largo de 13 800 millones de años (la edad del universo), la gravedad mueve miles de millones de partículas en el espacio toma alrededor de 300 horas de cómputo para una simulación única y altamente precisa (con un software no impulsado por IA); si se ejecuta en un par de minutos, la precisión de los resultados se ve muy afectada.

D3M logró la mayor precisión producida hasta la fecha gracias a la red neuronal diseñada para ejecutar las simulaciones del movimiento de partículas. Una vez completado el entrenamiento y comprobada la precisión, los científicos pusieron a prueba su desarrollo: lo hicieron simular un universo de alrededor de 600 millones de años luz por lado; se empleó el método tradicional, tanto el que toma minutos (con error relativo de 9.3%) como el que tarda cientos de horas. D3M efectuó su simulación en apenas 30 milisegundos y, en comparación con el modelo lento pero superpreciso, tuvo un error relativo de 2.8%.

Crear una IA rápida y precisa para predecir la formación de la estructura cosmológica no fue el único logro de la investigación de Siyu He, Yin Li, Yu Feng, Shirley Ho, Siamak Ravanbakhsh, Wei Chen, y Barnabás Póczos; destaca asimismo el hecho de que D3M es capaz de correr sus simulaciones basándose en parámetros en los que carecía de entrenamiento, por ejemplo, si la cantidad de materia oscura fue variada. Estos indicios de flexibilidad de la IA podrían convertirla en una