شبیه ساز با سرعت بالا و شبیه سازی مانند این ناسا آئروسل مدل نشان می دهد که دوده از آتش سوزی در استرالیا.

ناسا

مدل سازی فوق العاده پیچیده پدیده های طبیعی مانند این که چگونه ذرات زیر اتمی تعامل یا چه جوی رقیق آب و هوا تاثیر می گذارد می تواند ساعت های زیادی حتی سریع ترین ابر رایانه. شبیه ساز الگوریتم های که به سرعت تقریبی این دقیق شبیه سازی ارائه یک میانبر. در حال حاضر کار آنلاین پست نشان می دهد که چگونه هوش مصنوعی (AI) می توانید به راحتی به تولید دقیق شبیه ساز است که می تواند سرعت بخشیدن به شبیه سازی در تمام علوم توسط میلیاردها بار.

“این یک معامله بزرگ می گوید:” دونالد لوکاس اجرا می شود که آب و هوا شبیه سازی در آزمایشگاه ملی لارنس لیورمور و دخیل نبود در کار. او می گوید که این سیستم جدید به طور خودکار ایجاد شبیه ساز است که کار بهتر و سریع تر از کسانی که تیم خود را در طرح ها و قطارها معمولا توسط دست. جدید شبیه ساز می تواند مورد استفاده قرار گیرد به منظور بهبود مدل آنها تقلید و کمک به دانشمندان بهترین زمان خود را در تجربی امکانات. اگر کار می ایستد تا به بررسی دقیق لوکاس می گوید: “این امر تغییر همه چیز را در یک راه بزرگ است.”

یک کامپیوتر معمولی شبیه سازی ممکن است محاسبه در هر زمان گام فیزیکی نیروهای تحت تاثیر قرار اتم ابر کهکشانها—هر چه که مدل. شبیه ساز مبتنی بر شکلی از هوش مصنوعی به نام آموزش و ماشین آلات جست و خیز پر زحمت تولید مثل طبیعت. تغذیه با ورودی و خروجی های کامل شبیه سازی, شبیه ساز به دنبال الگوها و یادگیری به حدس زدن آنچه در این شبیه سازی را انجام دهید با ورودی های جدید. اما ایجاد داده های آموزشی برای آنها نیاز به در حال اجرا کامل شبیه سازی چند بار چیزی بسیار شبیه ساز است که به منظور جلوگیری از.

جدید شبیه ساز مبتنی بر شبکه های عصبی مصنوعی—یادگیری ماشین سیستم با الهام از مغز سیم کشی و نیاز بسیار کمتر آموزش. شبکه های عصبی تشکیل شده از محاسبات ساده, عناصر که لینک به circuitries خاص برای انجام وظایف مختلف است. به طور معمول اتصال نقاط قوت تکامل از طریق آموزش. اما با یک روش به نام های عصبی, معماری, جستجو, ترین اطلاعات کارآمد سیم کشی الگوی برای یک کار داده شده را می توان شناسایی.

این روش به نام عمیق شبیه ساز شبکه جستجو (متراکم) متکی به کلی عصبی معماری جستجو co-طراحی و توسعه توسط ملودی Guan یک دانشمند علوم کامپیوتر در دانشگاه استنفورد. آن را به طور تصادفی درج لایه محاسبات بین شبکه های ورودی و خروجی و تست و آموزش منجر به سیم کشی با داده های محدود. اگر یک لایه باعث افزایش عملکرد آن را بیشتر به احتمال زیاد در آینده شامل تغییرات. تکرار این روند را بهبود می بخشد شبیه ساز. Guan می گوید آن را “هیجان انگیز” برای دیدن کار خود را با استفاده از “به سمت کشف علمی.” محمد Kasim یک فیزیکدان در دانشگاه آکسفورد که رهبری این مطالعه که نوشته شده بود در preprint سرور arXiv در ژانویه می گوید تیم خود را ساخته شده در Guan کار به دلیل آن را متعادل دقت و بهره وری.

محققان با استفاده از متراکم برای توسعه شبیه ساز برای 10 شبیه سازی در فیزیک, ستاره شناسی, زمین شناسی, آب و هوا و علم است. یک شبیه سازی, برای مثال, مدل, راه دوده و دیگر جوی ذرات معلق در هوا منعکس کننده و جذب نور خورشید, تاثیر جهانی آب و هوا. می توانید آن را به یک هزار کامپیوتر-ساعت به اجرا بنابراین Duncan Watson-parris در یک جوی فیزیکدان در آکسفورد و مطالعه همکاری نویسنده گاهی اوقات با استفاده از یادگیری ماشین شبیه ساز. اما او می گوید آن را روی حیله و تزویر برای راه اندازی و آن را نمی تواند تولید با وضوح بالا و خروجی مهم نیست که چگونه بسیاری از اطلاعات شما را به آن بدهید.

این شبیه ساز که متراکم ایجاد شده در مقابل سرآمد با وجود فقدان اطلاعات. زمانی که آنها توربوشارژ با تخصصی گرافیکی پردازش تراشه های آنها بین حدود 100 ، 000 و 2 میلیارد بار سریعتر از خود را شبیه سازی می کند. که speedup غیر معمول نیست برای یک emulator اما این بسیار دقیق: در یک مقایسه ستاره شناسی emulator نتایج بیش از 99.9% یکسان به نتایج حاصل از شبیه سازی و در سراسر 10 شبیه سازی شبکه عصبی, شبیه ساز بودند به مراتب بهتر از انواع معمولی است. Kasim می گوید او فکر متراکم خواهد نیاز به ده ها هزار نفر از آموزش های نمونه در هر شبیه سازی برای رسیدن به این سطح از دقت و صحت. در بسیاری از موارد از آن استفاده می شود چند هزار نفر و در آئروسل مورد تنها چند ده.

“این واقعا سرد نتیجه گفت:” لورنس Townsend-Levasseur یک اخترفیزیکدان در دانشگاه مونترال که شبیه سازی کهکشان ها که نور شده است lensed توسط گرانش کهکشان های دیگر. “این بسیار قابل توجه است که این همان روش را می توان برای استفاده های مختلف این مشکلات و مدیریت آنها می تواند به قطار آن را با این چند نمونه است.”

لوکاس می گوید: متراکم شبیه ساز در بالا بودن سریع و دقیق را یکی دیگر از نرم افزار قدرتمند. آنها می تواند به حل “inverse problems”—با استفاده از این شبیه ساز برای شناسایی بهترین پارامترهای مدل به درستی پيش بينی خروجی. این پارامترها می توان به بهبود کامل شبیه سازی می کند.

Kasim می گوید متراکم حتی می تواند فعال محققان به تفسیر داده ها در پرواز است. تیم خود را در مطالعات رفتار پلاسما تحت فشار قرار دادند به شرایط غول پیکر, x-ray از لیزر در دانشگاه استنفورد که در آن زمان قیمتی است. تجزیه و تحلیل داده های خود را در زمان واقعی—مدل سازی مثلا یک پلاسمای دما و چگالی—غیر ممکن است چرا که نیاز به شبیه سازی می تواند روز به اجرا طولانی تر از این زمان محققان در لیزر. اما یک انبوه ساز می تواند تفسیر داده ها به اندازه کافی سریع برای تغییر این آزمایش او می گوید. “امیدوارم در آینده ما می توانیم در نقطه تجزیه و تحلیل.”

tinyurlis.gdv.gdv.htclck.ruulvis.netshrtco.dehec.su

نرم افزار گرامرلی