As pesquisadoras da Simons Foundation e Flatiron Institute, Shirley Ho e Siyu He, juntamente com a sua equipe, conseguiram desenvolver o primeiro simulador de universo utilizando Inteligência Artificial (IA) para gerar imagens em 3D do Cosmos. Apesar do projeto D ³ M 24 apresentar resultados impressionantes, de forma precisa e rápida, as cientistas ainda não conseguiram entender como de fato a tecnologia funciona.

O grande problema encontrado pelos pesquisadores é que a IA consegue detectar coisas que não foram apresentadas a ela, e ainda não é possível saber como isso acontece. Ho explica “É como ensinar a um software de reconhecimento de imagens gatos e cães com muitas fotos, mas, de repente ele é capaz de reconhecer elefantes. Ninguém sabe como isso acontece, é um grande mistério a ser resolvido”. Ou seja: a tecnologia funciona e dá ótimos resultados, mas não se sabe como.

A IA desenvolvida está conseguindo identificar qual é o total de matéria escura presente no Cosmos. Isso é excelente para a pesquisa, e pode avançar muito nos estudos do espaço, mas o intrigante é que nunca foi apresentado para o software nenhum tipo de matéria escura, então como ele sabe? É isso que as pesquisadoras vão procurar entender, para aprimorar não somente o seu estudo, mas como também o avanço da IA como um todo.

"Podemos ser um playground interessante para o learn machine usar para ver por que esse modelo extrapola tão bem, ele vai além, chega a elefantes em vez de apenas reconhecer gatos e cachorros. É uma via de mão dupla entre ciência e deep learning." - Shirley Ho, Co-autora do projeto.

As simulações criadas pelo D ³ M 24 estão se tornando essenciais para outros tipos de pesquisas. O foco principal do estudo de Ho e He é principalmente como a gravidade modela o espaço, mas também em como o cosmos pode evoluir sob vários cenários.

O grupo de pesquisa conseguiu aprimorar a rede neural profunda que alimenta o D³M, com mais de 8.000 simulações diferentes, usando um dos modelos de maior precisão disponíveis atualmente. As redes neurais se apropriam de dados de treinamento, conseguindo executar cálculos na informação. Cabe aos pesquisadores comparar os resultados apresentados com o resultado esperado. As redes neurais são adaptáveis ao longo do tempo para produzir resultados mais rápidos e precisos.

Os dados mais lentos feitos pelas simulações levam minutos para serem apresentados e, os mais rápidos são feitos em 30 milissegundos. Já era esperado pelos pesquisadores que os resultados apresentados fossem ágeis e eles estão trabalhando para que o processo seja ainda mais instantâneo. Apenas a agilidade não é suficiente, mas sim, a precisão que os dados são feitos. Quando comparado com o modelo de alta precisão, o D ³ M apresentou um erro relativo de 2,8%. Com a mesma comparação, o modelo fast apresentou um erro relativo de 9,3%. A imagem abaixo exemplifica o erro: quanto mais próximo do azul escuro, menos erros o sistema apresenta. Quanto mais próximo ao azul claro e vermelho, maior é a quantidade de erros:

As pesquisadoras Shirley Ho e Siyu He trabalham juntamente com Yin Li, da Berkeley Center for Cosmological Physics, da Universidade da Califórnia, em Berkeley, e do Instituto Kavli de Física e Matemática do Universo, que fica próximo a Tóquio. Além de Yu Feng, do Centro Berkeley de Física Cosmológica e Wei Chen, do Instituto Flatiron. Também compõe o projeto, Siamak Ravanbakhsh, da Universidade da Colúmbia Britânica, em Vancouver e Barnabás Póczos da Universidade Carnegie Mellon.