A medida que los cosmólogos y astrofísicos profundizan en los rincones más oscuros del universo, su necesidad de herramientas de observación y computación cada vez más poderosas se ha expandido exponencialmente. Desde instalaciones como el Instrumento espectroscópico de energía oscura hasta supercomputadoras como el sistema Cori del Laboratorio Nacional Lawrence Berkeley en el NationalLas instalaciones de Energy Research Scientific Computing NERSC están en una búsqueda para recopilar, simular y analizar cantidades crecientes de datos que pueden ayudar a explicar la naturaleza de las cosas que no podemos ver, así como las que podemos.
Con este fin, la lente gravitacional es una de las herramientas más prometedoras que los científicos tienen para extraer esta información dándoles la capacidad de probar tanto la geometría del universo como el crecimiento de la estructura cósmica. La lente gravitacional distorsiona las imágenes de galaxias distantes en unde acuerdo con Deborah Bard, Líder de grupo para el Data Science Engagement Group en Deborah Bard, Líder de grupo de Data Science Engagement Group, determina la forma en que está determinada por la cantidad de materia en la línea de visión en una dirección determinada yCentro Nacional de Computación Científica de Investigación Energética de Berkeley Lab NERSC.
"La lente gravitacional es una de las mejores formas en que tenemos que estudiar la materia oscura, lo cual es importante porque nos dice mucho sobre la estructura del universo", dijo. "La mayoría de la materia en el universo es materia oscura,que no podemos ver directamente, por lo que debemos usar métodos indirectos para estudiar cómo se distribuye ".
Pero a medida que crecen los conjuntos de datos teóricos y experimentales, junto con las simulaciones necesarias para obtener imágenes y analizar estos datos, ha surgido un nuevo desafío: estas simulaciones son cada vez más, incluso prohibitivamente, computacionalmente caras. Por lo tanto, los cosmólogos computacionales a menudo recurren a un sustituto computacionalmente más baratomodelos, que emulan simulaciones costosas. Más recientemente, sin embargo, "los avances en modelos generativos profundos basados en redes neuronales abrieron la posibilidad de construir modelos sustitutos más robustos y menos diseñados a mano para muchos tipos de simuladores, incluidos los de cosmología", dijo MustafaMustafa, ingeniero de aprendizaje automático en NERSC y autor principal de un nuevo estudio que describe uno de estos enfoques desarrollado por una colaboración entre Berkeley Lab, Google Research y la Universidad de KwaZulu-Natal.
Se está investigando una variedad de modelos generativos profundos para aplicaciones científicas, pero el equipo liderado por Berkeley Lab está tomando una táctica única: redes de confrontación generativa GAN. En un documento publicado el 6 de mayo de 2019 en Astrofísica computacional y cosmología , discuten su nueva red de aprendizaje profundo, denominada CosmoGAN, y su capacidad para crear mapas de convergencia de lentes gravitacionales débiles de alta fidelidad.
"Un mapa de convergencia es efectivamente un mapa en 2D de las lentes gravitacionales que vemos en el cielo a lo largo de la línea de visión", dijo Bard, coautor de la Astrofísica computacional y cosmología papel. "Si tiene un pico en un mapa de convergencia que corresponde a un pico en una gran cantidad de materia a lo largo de la línea de visión, eso significa que hay una gran cantidad de materia oscura en esa dirección".
Las ventajas de las GAN
¿Por qué optar por las GAN en lugar de otros tipos de modelos generativos? Rendimiento y precisión, según Mustafa.
"Desde una perspectiva de aprendizaje profundo, hay otras formas de aprender a generar mapas de convergencia a partir de imágenes, pero cuando comenzamos este proyecto, las GAN parecían producir imágenes de muy alta resolución en comparación con los métodos de la competencia, mientras que todavía eran redes computacionales y neuronalestamaño eficiente ", dijo.
"Estábamos buscando dos cosas: ser precisos y rápidos", agregó la coautora Zaria Lukic, científica investigadora del Centro de Cosmología Computacional en Berkeley Lab. "Las GAN ofrecen la esperanza de ser casi tan precisas en comparación con las completassimulaciones físicas "
El equipo de investigación está particularmente interesado en construir un modelo sustituto que reduzca el costo computacional de ejecutar estas simulaciones. En el Astrofísica computacional y cosmología en papel, describen una serie de ventajas de las GAN en el estudio de grandes simulaciones físicas.
"Se sabe que las GAN son muy inestables durante el entrenamiento, especialmente cuando llegas al final del entrenamiento y las imágenes comienzan a verse bien, es cuando las actualizaciones de la red pueden ser realmente caóticas", dijo Mustafa. "PeroDebido a que tenemos las estadísticas resumidas que utilizamos en cosmología, pudimos evaluar las GAN en cada paso del entrenamiento, lo que nos ayudó a determinar el generador que pensamos que era el mejor. Este procedimiento no se usa generalmente en el entrenamiento de GAN ".
Utilizando la red de generadores CosmoGAN, el equipo ha sido capaz de producir mapas de convergencia que se describen con, con alta confianza estadística, las mismas estadísticas resumidas que los mapas completamente simulados. Este nivel muy alto de acuerdo entre mapas de convergencia que sonestadísticamente indistinguible de los mapas producidos por modelos generativos basados en la física ofrece un paso importante hacia la construcción de emuladores a partir de redes neuronales profundas.
"La gran ventaja aquí era que el problema que estábamos abordando era un problema de física que tenía métricas asociadas", dijo Bard. "Pero con nuestro enfoque, hay métricas reales que le permiten cuantificar cuán precisa es su GAN. Para míeso es lo realmente emocionante de esto: cómo este tipo de problemas de física pueden influir en los métodos de aprendizaje automático.
En última instancia, tales enfoques podrían transformar la ciencia que actualmente se basa en simulaciones físicas detalladas que requieren miles de millones de horas de computación y ocupan petabytes de espacio en disco, pero aún queda mucho trabajo por hacer. Los datos de cosmología y datos científicos en general pueden requerirmediciones de muy alta resolución, como imágenes de telescopio de cielo completo.
"Las imágenes en 2D consideradas para este proyecto son valiosas, pero las simulaciones físicas reales son en 3D y pueden variar en el tiempo e irregulares, produciendo una estructura de características rica y similar a una red", dijo Wahid Bhmiji, un arquitecto de grandes datos.en el grupo de Servicios de datos y análisis en NERSC y un coautor en el Astrofísica computacional y cosmología documento. "Además, el enfoque debe ampliarse para explorar nuevos universos virtuales en lugar de los que ya han sido simulados, en última instancia, construir un CosmoGAN controlable".
"La idea de hacer GAN controlables es esencialmente el Santo Grial de todo el problema en el que estamos trabajando: para poder realmente emular los simuladores físicos necesitamos construir modelos sustitutos basados en GAN controlables", agregó Mustafa.ahora estamos tratando de entender cómo estabilizar la dinámica del entrenamiento, dados todos los avances en el campo que han sucedido en los últimos años. Estabilizar el entrenamiento es extremadamente importante para poder hacer lo que queremos hacer a continuación ".
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional Lawrence Berkeley . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :