即利用迄今最快的超级打算机，仿照繁芜自然征象也要耗费数小时。
而据美国《科学》网站17日宣布，作为一种超快速仿照的算法，人工智能（AI）仿真器供应了一条“捷径”——基于神经网络的AI可以很随意马虎地天生精确的仿真器，从而将所有科学领域的仿真加速数十亿倍。

对付极其繁芜的自然征象，例如亚原子粒子如何相互浸染，以及大气雾如何影响景象等等，纵然利用人类拥有的最高性能超级打算机，建模也可能要花费几个小时。
然而，基于机器学习的人工智能仿真器则跳过了传统的繁琐，借助完全仿照的输入和输出，能探求模式并学习预测新输入将对仿照产生什么影响，而无论要建模的是原子、大气还是星系，都可以实现大幅加速。

牛津大学物理学家穆罕默德·卡西姆领导了这次研究，该技能被称为深度仿真器网络搜索（DENSE），依赖于斯坦福大学打算机科学家开拓的一种通用神经构造搜索。
它在网络的输入和输出之间随机插入打算层，用有限的数据测试和演习天生的线路。
如果添加的打算层可以提高性能，那么它还可进一步被运用在未来仿真器中，通过重复这个过程不断改进。

在展示中，研究职员利用DENSE技能开拓了10个仿真器，分别用于物理、天文、地质和气候科学领域。
DENSE仿真器表现极其出色——速率比其他仿照器快10万到20亿倍。

这些仿真器非常精确，个中天文仿真器的结果与全仿照的同等性超过99.9%，在这10次仿照中，神经网络仿真器比传统仿真器要好得多。

劳伦斯·利弗莫尔国家实验室进行景象仿照的科学家唐纳德·卢卡斯并没有参与研究，但他表示，神经网络仿真器的自动创建要比他们科学家团队设计和演习的仿照器好得多，还可以帮助科学家在实验举动步伐中充分利用自己的韶光，未来其很可能将极大地改变科学进程。

责编：陶宗瑶