- Badacze rozwiązali zestaw prostych przykładów chaotycznego problemu trzech ciał.
- Podróże kosmiczne i większość rzeczywistych systemów są chaotyczne, co czyni te badania wartościowymi.
- Sieci neuronowe mają potencjał, aby rozwiązywać, lub przynajmniej modelować, chaotyczne problemy lepiej niż tradycyjne superkomputery.
Komputerowcy wykazali, że specjalna sieć neuronowa jest prawdopodobnie w stanie rozwiązać prostsze przykłady chaotycznego problemu trzech ciał, donosi Tech Xplore. Jeśli wyniki wydają się trudne do zrozumienia, to dlatego, że problem trzech ciał i jego implikacje są również dość trudne do zrozumienia.
Problem trzech ciał jest działem kosmologii, w którym „ciała” są niebieskie, jak obliczanie, gdzie planety są w stosunku do siebie w czasie. (Chiński autor sci-fi Liu Cixin użył tego terminu jako kalamburu dla tytułu swojej nagrodzonej nagrodą Hugo w 2015 roku powieści o zamordowanych astrofizykach). Zastosowania sięgają od najwcześniejszych nisko-technicznych nawigatorów statków do nowoczesnych teorii lotów kosmicznych, takich jak asysty grawitacyjne, a matematyczna złożoność samego problemu sprawiła, że był on interesujący zarówno dla matematyków, jak i informatyków przez wiele lat.
Czasami myślimy o przestrzeni jako pustej z powodu popularnych błędnych przekonań, ale nawet we względnej próżni przestrzeń jest wypełniona zderzającymi się polami grawitacyjnymi, polami magnetycznymi, wiatrami słonecznymi (błędne określenie, ponieważ nie ma powietrza) i więcej. Wszystko jest popychane i ciągnięte przez różne siły – tak wiele sił i z taką złożonością, że „trzy ciała” są prawie całkowicie nieprzewidywalne z chwili na chwilę, nawet jeśli wiemy, gdzie były chwilę wcześniej.
W przeszłości naukowcy relegowali „chaotyczne” zachowania, takie jak problem trzech ciał, na zakurzoną wyspę dla niepasujących problemów. W miarę jak superkomputery stawały się coraz potężniejsze, naukowcy ci zdali sobie sprawę, że mogą wykorzystać szybko rosnącą moc obliczeniową, by uderzyć młotem w skomplikowane problemy matematyczne. Z kolei sztuczne sieci neuronowe oferują krok w górę od zwykłego superkomputera.
Te maszyny, inspirowane prawdziwymi procesami biologicznymi występującymi w przyrodzie, mogą dokładniej modelować chaos ze względu na ich zdolność do pracy nad problemami nieliniowymi. Kiedy my (lub nawet małpy i inne naczelne) widzimy, że ktoś umieszcza dwa przedmioty razem, nie spodziewamy się znaleźć trzech przedmiotów jako sumy. To jest liniowy proces, gdzie używamy naszej wiedzy o wejściach, aby przewidzieć proporcjonalne wyjścia.
W nieliniowym systemie, takim jak chaotyczny problem trzech ciał, wszystkie zakłady są wyłączone, a nasze intuicje są zakodowane. Duża część nauki stosowanej obejmuje systemy nieliniowe i rozwiązywanie problemów. Do tej pory naukowcom nie udało się rozwiązać problemu trzech ciał, z wyjątkiem bardzo zmienionych formatów: problem dwóch ciał jest rozwiązany, a naukowcy mogą rozwiązać to, co nazywają „ograniczonym” problemem trzech ciał, który jest wtedy, gdy jedno ciało ma tak znikomą masę, że w zasadzie znika w równaniu.
Think of this like taking the derivative of an equation, when a constant simply falls away to become 0-or calculating n-complexity in computer science, when the exponent or log is usually all that matters, and other information is discarded.
Wszystko to oznacza, że sieć neuronowa, która może modelować i rozwiązywać nawet proste formy chaotycznego problemu trzech ciał, gdzie wszystkie trzy ciała są statystycznie znaczącymi niezależnymi aktorami, jest ogromną sprawą. Badacze ci – z Uniwersytetu w Edynburgu, Uniwersytetu w Cambridge, Campus Universitario de Santiago i Uniwersytetu w Lejdzie – zestawili swoją sieć neuronową z tradycyjnym superkomputerem wyszkolonym do rozwiązywania prostszych problemów trójciałowych i twierdzą, że ich sieć rozwiązała te przykłady znacznie, znacznie szybciej.
Są jednak komplikacje. Posiadanie istniejącego, wyspecjalizowanego superkomputera dającego im odpowiedzi na ich przykłady oznacza, że naukowcy mieli gotowy klucz odpowiedzi do sprawdzenia – bez tego zasobu, nie jest jasne, czy sieć neuronowa łatwo wygenerowałaby poprawne odpowiedzi na własną rękę, zwłaszcza, że problemy stały się bardziej złożone. Głębokie uczenie maszynowe, takie jak to używane przez sieci neuronowe, jest czymś w rodzaju czarnej skrzynki.
Co więcej, naukowcy sami stwierdzają, że ich sieć neuronowa przybliżała konkretne wyniki z tradycyjnego superkomputera. Podobnie jak w przypadku użycia 3,14 zamiast samego pi, ten rodzaj aplikacji prawie zawsze ma zastrzeżenia. Nowe badania są ekscytujące, ale nie stanowią jasnego i konkretnego kroku naprzód bez dużo więcej kontekstu i danych zewnętrznych.