Mô hình giả lập Vũ trụ này nhanh và chính xác tới mức những người tạo ra nó cũng không hiểu tại sao lại hoạt động được

Lần đầu tiên trong lịch sử, các nhà vật lý vũ trụ sử dụng thành công trí tuệ nhân tạo để tạo ra một mô hình giả lập vũ trụ 3 chiều phức tạp. Kết quả có được là một cấu trúc chính xác, phức tạp và đầy năng lượng, đến mức … những người tạo ra nó không hiểu toàn bộ mô hình hoạt động ra sao.

“Chúng tôi có thể vận hành mô hình giả lập này chỉ trong vài mili-giây, trong khi những mô hình tái dựng vũ trụ nhanh khác phải mất tới vài phút để khởi động”, đồng tác giả nghiên cứu, Shirley Ho, trưởng nhóm nghiên cứu tại Trung tâm Tính toán Vật lý Vũ trụ trực thuộc Viện Flatiron, thành phố New York cho hay. “Không chỉ có vậy, mô hình lại còn chính xác hơn nhiều”.

Tốc độ và độ chính xác của Mô hình Hoán đổi Độ Đặc và Sâu (viết tắt là D³M) vẫn chưa phải điều làm kinh ngạc các nhà nghiên cứu. Đó phải là khả năng mô tả chính xác Vũ trụ sẽ ra sao nếu như thay đổi một số yếu tố cơ bản của Vũ trụ, ví dụ như lượng vật chất tối tồn tại trong Vũ trụ là bao nhiêu; phải nói thêm D³M chưa từng được nhận dữ liệu huấn luyện nào (giống như cách đưa dữ liệu vào trí tuệ nhân tạo), mới chỉ vận hành dựa trên những yếu tố cơ bản vốn có.

“Giống như một phần mềm nhận dạng hình ảnh chỉ biết tới chó và mèo, bỗng nhiên lại nhận dạng được cả voi vậy”, giáo sư Ho giải thích. 

Ho và các đồng nghiệp giới thiệu D³M hôm 24 tháng Sáu vừa qua tại một sự kiện diễn ra ở Học viện Khoa học Quốc gia. Buổi thuyết trình do Siyu He, một nhà phân tích và nghiên cứu tại Viện Flatiron.

So sánh độ chính xác của hai mô hình Vũ trụ, với cột màu bên trái cho thấy tỉ lệ lỗi xuất hiện. Mô hình mới bên trái, D³M, vừa nhanh hơn lại vừa chính xác hơn phương pháp được dùng hiện tại.

Những mô hình giả lập tương tự như D³M đã trở thành công cụ không thể thiếu trong xây dựng các thuyết về vật lý vũ trụ. Giới khoa học muốn biết cách thức Vũ trụ tiến hóa qua các thời kỳ, dưới những điều kiện khác nhau, ví dụ như việc năng lượng tối ảnh hưởng ra sao tới hiện trạng của Vũ trụ. Những nghiên cứu tương tự vậy rất tốn thời gian, khi phải chạy liên tục hàng ngàn chương trình giả lập một lúc. Việc có được một mô hình giả lập nhanh và chính xác là một cột mốc đáng chú ý.

D³M lập ra mô hình cách thức lực hấp dẫn tạo hình Vũ trụ. Thông thường, các nhà nghiên cứu sẽ chỉ tập trung vào lực hấp dẫn bởi nó, tính tới thời điểm này và với những học thuyết ta đã có, là lực quan trọng nhất khi tính tới quy mô tiến hóa của Vũ trụ vô tận. 

Những mô hình giả lập Vũ trụ chính xác nhất tính toán cách lực hấp dẫn di chuyển hàng tỷ hạt riêng biệt vốn vẫn trôi nổi trong không gian, xuyên suốt khoảng thời gian giả lập dài tương đương độ tuổi Vũ trụ. Muốn chính xác thì phải mất thời gian tính toán, khoảng 300 giờ máy chạy liên tục cho một mô hình giả lập. Tốc độ càng nhanh, thời gian càng ngắn thì độ chính xác sẽ càng thấp.

Mô hình Vũ trụ hình thành do Viện Vật lý Vũ trụ học Kavli, thuộc Đại học Chicago thực hiện.

Nhưng nghiên cứu mới sử dụng sức mạnh của mạng neural để làm ra một mô hình giả lập chính xác: D³M hình thành sau khi hệ thống machine learning nhận vào 8.000 mô hình giả lập khác nhau, với những tính toán chính xác nhất có thể. Mạng neural nhận dữ liệu và tính toán để tạo nên mô hình cuối cùng, rồi các nhà nghiên cứu so sánh kết quả dự kiến và kết quả thực tế.

D³M khiến các nhà nghiên cứu bất ngờ. Để làm ra một vũ trụ rộng 600 triệu năm ánh sáng, mô hình chậm-mà-chắc sẽ mất vài trăm tiếng, mô hình “nhanh nhảu đoảng” sẽ mất vài phút. D³M mất 30 mili-giây, với độ chính xác cao đến kinh ngạc, với chỉ 2,8% lỗi; mô hình nhanh nhảu đoảng có tỉ lệ lỗi lên tới 9,3%.

Khả năng xử lý những yếu tố vốn không có trong dữ liệu đầu vào lại càng khiến D³M thêm phần ấn tượng, biến nó thành công cụ dựng mô hình giả lập Vũ trụ linh hoạt chưa từng có. Và ứng dụng của nó còn có thể vươn ra chính ngành đang hỗ trợ nó thành công.

“Chúng tôi có thể dựng lên một sân chơi chung cho những hệ thống machine learning, phân tích tại sao mô hình mới có thể tính toán ngoại suy tốt đến thế, tại sao có thể nhận ra được cả voi trong khi chỉ học về chó mèo”, giáo sư Ho nói. “Đây là con đường hai chiều, có lợi cho cả khoa học vật lý vũ trụ và deep learning”.

Tham khảo Phys.org