Por... Paul Ausick
Solía haber una máxima entre las empresas de tecnología que los ingenieros solían echar un chorrito de agua fría sobre las ventas energéticas y los tipos de mercadotecnia que demandaban productos nuevos y más importantes. Claro, dirían los ingenieros, puede tener rapidez (chirridos de alegría del personal de mercadotecnia), puede tenerlo barato (los vendedores tiran los sombreros en el aire) o pueden hacerlo bien. Elige dos (silencio).
Un equipo de investigación en el Centro de Astrofísica Computacional del Instituto Flatiron presentó el lunes una investigación sobre una nueva simulación de inteligencia artificial (IA) que genera simulaciones tridimensionales complejas del universo, de manera más rápida y precisa que otros modelos. Ni una palabra sobre el precio, pero podemos suponer que no es exactamente barato.
La mayor sorpresa, sin embargo, es que el modelo que construyeron los investigadores nunca había sido entrenado sobre cómo los diferentes parámetros podrían cambiar los resultados. Shirley Ho, líder de grupo en el Instituto Flatiron, dijo: "Podemos ejecutar estas simulaciones en unos pocos milisegundos, mientras que otras simulaciones" rápidas "tardan un par de minutos. No solo eso, sino que somos mucho más precisos. ... Es como enseñar un software de reconocimiento de imágenes con muchas fotos de gatos y perros, pero luego es capaz de reconocer elefantes. Nadie sabe cómo lo hace, y es un gran misterio por resolver ".
Así que ahora, además de desentrañar los misterios del cosmos, Ho y su equipo tienen "un campo de juego interesante para que una aprendiz de máquina use para ver por qué este modelo extrapola tan bien, por qué extrapola a los elefantes en lugar de solo reconocer gatos y perros. ”
Como los autores lo dicen un poco más científicamente en su artículo: "Un descubrimiento sorprendente es que el Modelo de Desplazamiento de Densidad Profunda (D3M), entrenado mediante el uso de un único conjunto de parámetros cosmológicos, generaliza a nuevos conjuntos de parámetros significativamente diferentes, minimizando la necesidad para el entrenamiento de datos en una amplia gama de parámetros cosmológicos ".
La red neuronal que alimenta el modelo D3M se entrenó con 8,000 simulaciones diferentes y luego ejecutó simulaciones en un universo en forma de caja de 600 millones de años luz en un lado, compitiendo con otros dos modelos que ejecutan las mismas simulaciones. El enfoque lento pero preciso tomó cientos de horas de tiempo de cálculo por simulación y el método rápido existente tomó un par de minutos. El modelo D3M completó una simulación en solo 30 milisegundos.
Todo lo que queda por hacer ahora es averiguar cómo sucede todo.
