De tankebøyende beregningene som kreves for å forutsi hvordan tre himmelske kropper går i bane rundt hverandre har forvirret fysikere siden Sir Isaac Newtons tid. Nå har kunstig intelligens (A.I.) vist at det kan løse problemet i en brøkdel av tiden som kreves av tidligere tilnærminger.
Newton var den første som formulerte problemet på 1600-tallet, men å finne en enkel måte å løse det på har vist seg utrolig vanskelig. Gravitasjonsinteraksjonene mellom tre himmelobjekter som planeter, stjerner og måner resulterer i et kaotisk system - et som er komplekst og svært følsomt for startposisjonene til hver kropp.
Gjeldende tilnærminger for å løse disse problemene innebærer bruk av programvare som kan ta uker eller til og med måneder å fullføre beregninger. Så forskere bestemte seg for å se om et nevralt nettverk - en type mønster som gjenkjenner A.I. som løst etterligner hvordan hjernen fungerer - kunne gjort det bedre.
Algoritmen de bygde ga nøyaktige løsninger opptil 100 millioner ganger raskere enn det mest avanserte programvaren, kjent som Brutus. Dette kan være uvurderlig for astronomer som prøver å forstå ting som oppførselen til stjerneklynger og universets bredere utvikling, sa Chris Foley, en biostatistiker ved University of Cambridge og medforfatter av en artikkel til arXiv-databasen, som ennå har å bli fagfellevurdert.
"Dette nevrale nettet, hvis det gjør en god jobb, skal kunne gi oss løsninger i en enestående tidsramme," sa han til Live Science. "Så vi kan begynne å tenke på å komme videre med mye dypere spørsmål, som hvordan gravitasjonsbølger dannes."
Nevrale nettverk må trenes ved å bli matet data før de kan komme med spådommer. Så forskerne måtte generere 9 900 forenklede tre-kroppsscenarier ved å bruke Brutus, den nåværende lederen når det gjelder å løse tre-kroppsproblemer.
De testet deretter hvor godt det nevrale nettet kunne forutsi utviklingen av 5000 usynlige scenarier, og fant at resultatene stemte overens med Brutus. Imidlertid løste det A.I.-baserte programmet problemene i gjennomsnitt bare en brøkdel av et sekund, sammenlignet med nesten 2 minutter.
Årsaken til at programmer som Brutus er så trege er at de løser problemet med brute force, sa Foley, og utførte beregninger for hvert bittesmå trinn i himmellegemens bane. Neuralnet ser derimot ganske enkelt på bevegelsene disse beregningene produserer og trekker ut et mønster som kan bidra til å forutsi hvordan fremtidige scenarier vil spille ut.
Det er imidlertid et problem for å skalere opp systemet, sa Foley. Den nåværende algoritmen er et bevis-av-konsept og lært av forenklede scenarier, men å trene på mer komplekse eller til og med øke antall involverte instanser til fire av fem først krever at du genererer dataene på Brutus, som kan være ekstremt tid- konsumerende og dyrt.
"Det er et samspill mellom vår evne til å trene et fantastisk fungerende nevralt nettverk og vår evne til å faktisk utlede data som vi kan trene det på," sa han. "Så det er en flaskehals der."
En vei rundt problemet kan være at forskere lager et felles lager med data produsert ved hjelp av programmer som Brutus. Men først ville det kreve opprettelse av standardprotokoller for å sikre at dataene alle var av en jevn standard og format, sa Foley.
Det er fremdeles noen problemer å jobbe med med det nevrale nettet også, sa Foley. Det kan bare kjøres i en angitt tid, men det er ikke mulig å vite på forhånd hvor lang tid et bestemt scenario vil ta å fullføre, slik at algoritmen kan gå tom for damp før problemet er løst.
Forskerne ser ikke for seg at nevralt nett fungerer isolert, sier Foley. De tror den beste løsningen vil være at et program som Brutus gjør det meste av leggarbeidet med nevrale nettet, og bare tar på seg delene av simuleringen som involverer mer komplekse beregninger som ødelegger programvaren.
"Du lager denne hybrid," sa Foley. "Hver gang Brutus blir sittende fast, bruker du det nevrale nettverket og kjører det frem. Og så vurderer du om Brutus har blitt stoppet eller ikke."
