宇宙中大部分物質(zhì)都是人類看不見的暗物質(zhì)。目前，觀測暗物質(zhì)的最佳方式：引力透鏡技術(shù)的成本太高，耗時太久。最近，研究人員希望利用AI技術(shù)來解決這個問題，提出了一種基于對抗生成模型的新方法，名曰“CosmoGAN”。

隨著宇宙學(xué)家和天體物理學(xué)家對宇宙中最黑暗的凹陷的探索越來越深入，對越來越強大的觀測和計算工具的需求呈指數(shù)級增長?？茖W(xué)家們正在尋求收集、模擬和分析可以幫助解釋的越來越多的數(shù)據(jù)，解釋我們看到或看不到的事物的本質(zhì)。

目前，引力透鏡技術(shù)是科學(xué)家提取這些信息的最有前途的工具之一。根據(jù)伯克利實驗室國家能源研究科學(xué)計算中心（NERSC）數(shù)據(jù)科學(xué)團隊負責(zé)人Deborah Bard的說法，引力透鏡以某種方向視線中物質(zhì)的數(shù)量確定遙遠星系的圖像，并提供了一種觀察暗物質(zhì)二維圖的方法。

“引力透鏡是研究暗物質(zhì)的最佳方法之一，這種方法讓我們了解了很多關(guān)于宇宙結(jié)構(gòu)的信息，”她說。 “宇宙中的大部分物質(zhì)都是暗物質(zhì)，我們無法直接看到，因此必須使用間接方法來研究暗物質(zhì)的分布?！?/p>

但隨著實驗和理論數(shù)據(jù)集規(guī)模的增長，以及對這些數(shù)據(jù)進行成像和分析的模擬，出現(xiàn)了一個新問題：這些模擬實驗的成本越來越高，計算成本非常昂貴。因此，宇宙學(xué)家經(jīng)常采用在計算上更便宜的替代模型，這類模型可以對昂貴的模擬實驗進行二次模擬。

不過最近，“基于神經(jīng)網(wǎng)絡(luò)的深度生成模型的進步，讓許多類型的模擬器（包括宇宙學(xué)中的模擬器）構(gòu)建性能更強大、手工設(shè)計部分更少的替代模型成為可能，”機器學(xué)習(xí)工程師Mustafa Mustafa說。 他是NERSC一項新研究的主要作者，該研究描述的新方法就是基于二次模擬，由伯克利實驗室、谷歌研究院和夸祖魯-納塔爾大學(xué)合作開發(fā)。

研究團隊由伯克利實驗室領(lǐng)導(dǎo)，主要研究用于科學(xué)應(yīng)用的各種深度生成模型。團隊采取一種獨特的策略：生成對抗網(wǎng)絡(luò)（GAN）。

在近日發(fā)表在計算《天體物理學(xué)和宇宙學(xué)》期刊上的論文中，研究人員考慮了新的基于GAN的深度學(xué)習(xí)網(wǎng)絡(luò)，名為CosmoGAN，并說明了其創(chuàng)建高保真、弱引力透鏡會聚圖的能力。

“它實際上是我們在沿著視線的天空中看到的引力透鏡的二維圖，”論文作者之一Bard說。 “如果圖中有一個峰值，相當(dāng)于沿著視線方向存在大量物質(zhì)的峰值，也就是說該方向上存在大量暗物質(zhì)?！?/p>

CosmoGAN的優(yōu)勢：性能強大精度高

為什么選擇GAN而不是其他類型的生成模型？據(jù)Mustafa表示，主要是因為性能和精度問題。

“從深度學(xué)習(xí)的角度來看，還存在其他方法可以學(xué)習(xí)如何從圖像生成收斂圖，但是當(dāng)我們啟動這個項目時發(fā)現(xiàn)，與其他方法相比，GAN可以生成非常高分辨率的圖像，同時仍具備在計算成本和神經(jīng)網(wǎng)絡(luò)規(guī)模的成本效應(yīng)上的優(yōu)勢?！八f。

“我們尋求兩點：準確和快速，”論文共同作者，伯克利實驗室計算宇宙學(xué)中心的研究科學(xué)家ZariaLukic補充說。 “與完整的模擬相比，GAN提供了幾乎同樣的準確率?！?/p>

研究人員特別感興趣的是構(gòu)建一個可以降低運行這些模擬的計算成本的替代模型。在論文中，他們概述了GAN在大型物理模擬研究中的許多優(yōu)點。

“GAN在訓(xùn)練期間非常不穩(wěn)定，特別是在訓(xùn)練結(jié)束時，生成的圖像開始看起來很好，但是可能網(wǎng)絡(luò)一更新，就會變得一團亂?！盡ustafa說。 “但是因為我們掌握了宇宙學(xué)中的匯總統(tǒng)計數(shù)據(jù)，我們能夠在訓(xùn)練的每一步中對GAN進行評估GAN，這有助于我們確定最好的生成器。通常這個流程不用于訓(xùn)練GAN?！?/p>

使用CosmoGAN生成器網(wǎng)絡(luò)，團隊已經(jīng)能夠生成具有高統(tǒng)計信度的收斂映射，數(shù)據(jù)匯總統(tǒng)計與完全模擬映射相同。收斂圖之間的這種非常高水平的一致性，在統(tǒng)計學(xué)上與基于物理的生成模型生成的圖無法區(qū)分，這是深度神經(jīng)網(wǎng)絡(luò)構(gòu)建仿真器的過程中邁出的重要一步。

“這里的巨大優(yōu)勢在于，我們處理的問題是一個與相關(guān)指標有關(guān)的物理問題，”巴德說。 “但是通過我們的方法，有一些實際指標可以量化GAN的準確度。對我來說，真正令人興奮的是：這些物理問題會對機器學(xué)習(xí)方法產(chǎn)生什么影響。

最終，這些方法可以改變現(xiàn)有暗物質(zhì)搜尋實驗中過于依賴計算力和存儲空間、以及極其耗時的問題。但未來仍有仍有大量工作要做。宇宙學(xué)的數(shù)據(jù)（以及一般的科學(xué)數(shù)據(jù)）可能需要非常高的圖像分辨率的量度，比如全天空望遠鏡圖像。

“在這個項目中考慮使用二維圖像是有價值的，但實際的物理模擬是三維的，結(jié)果可能隨時間發(fā)生不規(guī)則的變化，產(chǎn)生豐富的網(wǎng)狀結(jié)構(gòu)特征，”論文共同作者、NERSC大數(shù)據(jù)與分析服務(wù)團隊的數(shù)據(jù)架構(gòu)師WahidBhmiji說。 “此外，我們需要對該方法進行擴展，以探索新的虛擬宇宙，而不是已經(jīng)模擬過的虛擬宇宙，最終構(gòu)建一個可控的CosmoGAN。”

“做可控GAN的想法實際上是整個問題的最高目標：真正模擬基于可控GAN的替代模型的物理模擬器，現(xiàn)在我們正在過去幾年領(lǐng)域內(nèi)的進步的基礎(chǔ)上，努力了解如何穩(wěn)定GAN的訓(xùn)練動態(tài)。這對于實現(xiàn)這個最高目標而言非常重要?！彼f。