AI Dapat Menyelesaikan Masalah Tiga Tubuh 100 Juta Kali Lebih Cepat

• Para peneliti melatih jaringan saraf dalam pada basis data yang berisi masalah tiga tubuh dan solusinya.
• Anehnya, jaringan memprediksi solusi akurat dengan biaya komputasi tetap dan hingga 100 juta kali lebih cepat daripada solver yang ada.

Selama lebih dari 3 abad, matematikawan dan fisikawan telah bingung dengan masalah tiga benda:masalah menghitung gerakan tiga benda yang bergerak tanpa pengaruh selain gravitasi timbal balik mereka.

Lebih khusus lagi, jika Anda mengambil posisi awal dan kecepatan massa tiga titik dan menyelesaikan gerakan berikutnya sesuai dengan hukum gerak Newton dan gravitasi universal, Anda tidak akan menemukan solusi umum apa pun.

Inilah yang dimaksud dengan masalah tiga tubuh. Tidak seperti masalah dua benda, tidak ada solusi bentuk tertutup yang umum, kecuali serangkaian kecil skenario sederhana seperti planet identik yang bergerak dalam orbit yang identik.

Meskipun penemuan komputer canggih telah memungkinkan fisikawan untuk mengevaluasi posisi massa titik ini secara berulang, hal itu membutuhkan sumber daya komputasi dalam jumlah yang sangat besar. Dan meskipun demikian, solusi tetap tidak jelas.

Untuk mengatasi masalah ini secara efisien, para peneliti di University of Edinburgh di Skotlandia telah menggunakan model kecerdasan buatan (AI). Yang mengejutkan, mereka mampu mengekstrak solusi akurat dengan biaya komputasi tetap dan hingga 100 juta kali lebih cepat daripada solver yang ada.

Melatih Dan Memvalidasi Jaringan Neural

Tim peneliti melatih jaringan saraf pada database masalah tiga tubuh. Basis data ini berisi solusi yang dihitung oleh pemecah baru.

Untuk menyederhanakannya, mereka memulai dengan masalah sederhana yang melibatkan tiga benda dengan massa yang sama dan kecepatan awal nol. Mereka memilih titik awal yang sewenang-wenang dan menyelesaikan gerakan tiga benda menggunakan metode baru bernama Brutus. Proses ini diulang sepuluh ribu kali.

Mereka menggunakan 9.900 sampel untuk melatih jaringan saraf dan 100 untuk memvalidasinya. Untuk menguji jaringan ini, mereka kemudian mengeksekusi 5.000 skenario yang sama sekali baru dan membandingkan hasilnya dengan yang dihitung oleh Brutus.

Referensi:arXiv:1910.07291

Jaringan tidak benar-benar menghitung gerakan tiga benda di masa depan, melainkan memprediksi gerakan masa depan secara akurat (menggunakan pengetahuan yang diperoleh dalam fase pelatihan). Lebih khusus lagi, ini mengemulasi perbedaan antara lintasan tetangga, yang sangat cocok dengan simulasi Brutus.

Simulasi masalah tubuh 3D 

Dalam studi ini, solusi prediksi jaringan syaraf tiruan dalam selama interval waktu yang tetap dan memenuhi kondisi konservasi energi dengan kesalahan 0,00001

Jenis jaringan ini dapat digunakan dalam situasi ketika masalah tiga benda menjadi tidak layak secara komputasi untuk Brutus. Ini bisa menjadi bagian dari sistem hybrid di mana Brutus akan melakukan semua perhitungan berat, tetapi ketika hal-hal di luar kendali, jaringan akan masuk sampai situasinya dapat diterima kembali.

Misalnya, jaringan saraf dapat digunakan untuk secara akurat mensimulasikan gerakan benda langit di dalam gugus bintang globular dan inti galaksi, menggunakan lebih sedikit sumber daya komputasi.

Baca:Menjelaskan Fisika Kuantum Melalui Puisi

Dimungkinkan juga untuk melatih jaringan saraf pada masalah yang lebih kompleks, termasuk masalah 4 dan 5 tubuh, untuk mengurangi beban komputasi hingga batas tertentu.