D3M的紧张事情是精确地仿照引力在数亿年间塑造宇宙的办法。
每次仿照只花30ms，而用其他模型仿照要花几分钟的韶光。

更故意思的是，D3M从团队输入的8000个演习模型中学习——它极大地推广和优化了这些模型，还能够调度一些之前从未演习过的参数。

“D3M和用大量猫狗的图片演习图像识别软件类似，不过之后它还能识别大象，”熨斗研究院和卡内基梅隆大学的天文物理学家雪莉说到。

“没人知道它是如何做到的，而这也是一个有待揭开的谜团。
”

不雅观察我们周围的宇宙空间，我们能得到有关宇宙进化的大量信息，但是毕竟能瞥见的有限。
因此仿照才会如此方便。

通过仿照得出了一些要么符合，要么不符合我们不雅观察的结果，科学家们能够打算出最有可能天生我们所生活宇宙的情景。

但是我们错综繁芜的宇宙使得这些模型打算起来相称费力，这也就意味着运行起来比较费时。
为了获取有用的统计数据，一项研究就须要数千次仿照。

这时由打算天体物理学家团队所开拓的D3M就有用武之地了。
它将打算引力在（宇宙的年事）138亿年间，是如何在太空中移动数十亿颗粒子的。

我们如果不依赖AI驱动的软件去仿照这种粒子运动，打算300个小时才得到一个较高精度的模型；当然几分钟内也能够打算完成，不过精确度就会大打折扣了。

为了占领这一难题，研究团队决定建立一个神经网络去进行仿照实验，并且用一个迄今最高精度的模型产生了8000个不同的仿照数据，用来演习D3M。

一旦对D3M的演习完成，并且AI能准确运行，就可以准备试行D3M了。
研究职员哀求它仿照出一个每边大概代表6亿光年的盒子里的宇宙。

为了评判它的仿照效果，团队同时用几分钟就得到结果的（快速）方法，以及要花几百个小时的奇慢方法运行同样的模型。
不出所料，慢的方法得到的是最精确的结果，和它比起来用快速方法会有9.3%的相对偏差。

D3M的涌现，补救之前的所有快速算法于水火。
它只花30毫秒就运行得到了一个模型，并且和这个慢但十分精确的模型比较只有2.8%的相对偏差。

更精彩的是，虽然它只是用一个单参数集演习的，这一神经网络却能基于其他未经演习的参数，来预测这个的仿照宇宙的构造——比如说，如果暗物质的数量是不同的。

这意味着AI在应对一系列仿照任务时更为灵巧——不过，团队还是希望在打算模型前，搞清楚AI到底能够打算得多准确。

霍说：“我们这里对付机器学习者来说，就相称于一个游乐场，他们可以知道为什么D3M的泛化能力这么好，为什么学习后的它识别的范围能外推到大象而不仅仅是猫和狗”。

“这是一条介于科学和深度学习的双行道。
”

这一研究已被揭橥在美国国家科学院院刊（即PNAS）上了。

作者：Anonymity

FY：Brut Lee

如有干系内容侵权，请于三旬日以内联系作者删除

转载还请取得授权，并把稳保持完全性和注明出处