Astrofísicos usaram pela primeira vez inteligência artificial para gerar simulações em 3D do universo. Os resultados foram tão rápidos, precisos e robustos que nem os próprios pesquisadores entendem como eles aconteceram.
O projeto se chama Modelo de Deslocamento de Densidade Profunda, ou D3M. A velocidade e precisão do modelo não foram surpreendentes para os pesquisadores, mas sim a habilidade em simular de forma correta como o universo ficaria se alguns parâmetros fossem alterados.
O mais interessante é que o modelo nunca recebeu nenhum dado de treinamento sobre como esses parâmetros variavam.
“Seria como treinar um software de reconhecimento de imagem com várias imagens de gatos e cães, e aí ele consegue reconhecer elefantes”, compara Shirley Ho, co-autora do estudo e professora da Universidade Carnegie Mellon (EUA). “Ninguém sabe como ele faz isso, e é um enorme mistério a ser resolvido”, complementa ela.
O modelo foi apresentado no dia 24 de junho na publicação Proceedings of the National Academy of Sciences. O autor principal do estudo foi Siyu He, analista do Instituto Flatiron (EUA).
Ho e He trabalharam em colaboração com Yin Li e Yu Feng da Universidade da Califórnia em Berkeley, com Wei Chen do Instituto Flatiron, Siamak Ravanbakhsh da Universidade de British Columbia (Canadá) e Barnabás Póczos da Universidade Carnegie Mellon.
Esse tipo de simulação do D3M é muito importante para a astrofísica teórica.
Cientistas querem saber como o cosmo pode se desenvolver em vários cenários, como por exemplo se a energia escura do universo variasse com o passar do tempo.
Esse tipo de estudo exige que milhares de simulações sejam feitas, portanto um modelo computacional rápido e confiável é o sonho de consumo dos astrofísicos modernos.
Depois de treinar o D3M, pesquisadores fizeram simulações de um universo com formato de cubo com 600 milhões de anos-luz de lado e compararam os resultados com modelos rápidos e lentos que já existiam.
O modelo lento e mais confiável leva centenas de horas de cálculos, enquanto o sistema rápido leva poucos minutos. Já o D3M completou a simulação em 30 milissegundos.
Além disso, o D3M também teve precisão impressionante. Quando comparado com o modelo lento, ele teve uma taxa de erro de 2.8%.
Já o sistema rápido teve uma taxa de 9,3% de erros quando comparado com o modelo lento. Ou seja: o sistema rápido parece ter sido passado para trás pelo D3M.
Os pesquisadores agora querem saber por que o modelo que foi treinado para identificar “gatos e cachorros” está conseguindo identificar também “elefantes”.
“Nós podemos ser um playground interessante para um aprendiz de máquina ver porque esse modelo extrapola tão bem. É uma via de mão dupla entre ciência e deep learning”, diz Ho.