Une intelligence artificielle simule si bien l’Univers qu’elle déconcerte ses créateurs
Publié : 04 nov. 2019 12:21
Une intelligence artificielle simule si bien l’Univers qu’elle déconcerte ses créateurs
https://www.gurumed.org/2019/07/06/une- ... -crateurs/
https://siecledigital.fr/2019/06/27/d3m ... -lunivers/
Pour ceux qui veulent pousser plus loin mais hard :
https://www.pnas.org/content/116/28/13825
Résumé
Comprendre l'évolution de l'Univers exige un effort concerté d'observation précise du ciel et de prédiction rapide des structures de l'Univers. La simulation N-corps est une approche efficace pour prédire la formation des structures de l'Univers, bien que coûteuse en calcul. Ici, nous construisons un réseau neuronal profond pour prédire la formation des structures de l'Univers. Il surpasse l'approximation analytique rapide traditionnelle et extrapole avec précision bien au-delà de ses données de formation. Notre étude prouve que l'apprentissage profond est une alternative précise à la manière traditionnelle de générer des simulations cosmologiques approximatives. Notre étude montre qu'on peut utiliser l'apprentissage profond pour générer des simulations 3D complexes en cosmologie. Cela suggère que l'apprentissage profond peut fournir une alternative puissante aux simulations numériques traditionnelles en cosmologie.
JJ
https://www.gurumed.org/2019/07/06/une- ... -crateurs/
https://siecledigital.fr/2019/06/27/d3m ... -lunivers/
Pour ceux qui veulent pousser plus loin mais hard :
https://www.pnas.org/content/116/28/13825
Résumé
Comprendre l'évolution de l'Univers exige un effort concerté d'observation précise du ciel et de prédiction rapide des structures de l'Univers. La simulation N-corps est une approche efficace pour prédire la formation des structures de l'Univers, bien que coûteuse en calcul. Ici, nous construisons un réseau neuronal profond pour prédire la formation des structures de l'Univers. Il surpasse l'approximation analytique rapide traditionnelle et extrapole avec précision bien au-delà de ses données de formation. Notre étude prouve que l'apprentissage profond est une alternative précise à la manière traditionnelle de générer des simulations cosmologiques approximatives. Notre étude montre qu'on peut utiliser l'apprentissage profond pour générer des simulations 3D complexes en cosmologie. Cela suggère que l'apprentissage profond peut fournir une alternative puissante aux simulations numériques traditionnelles en cosmologie.
JJ