大數據文摘出品
作者：易琬玉、曹培信
《創世紀》裡，神用7天創造了這個世界。而現在，你可能也有機會體驗這個過程，創造一個屬於自己的宇宙。
6月11日，Space Engine 0.990版本在Steam平臺發售，發售不到一天，近300測評全部為最高評價，截止6月20日已經賣出了2萬份，同時Steam用戶好評率高達96%。之後，還得到了資深電腦遊戲玩家、復旦大學中文系教授嚴峰的微博推薦。
這款遊戲到底為何這麼受玩家熱捧呢？
Space Engine是一款宇宙模擬遊戲，它包含數千個真實的天體，包括來自HIP目錄的恆星，來自NGC和IC目錄的星系，幾個知名的星雲，以及所有已知的系外行星和它們的恆星。它採用星表與程序化生成創造一個邊長為10Gpc的立方體宇宙，同時1:1還原了現實宇宙。
更讓人震驚的是，這款遊戲是是由一個俄羅斯天文學家兼碼農單槍匹馬開發出來的，從第一個版本開始，前後共花了九年的時間。
Vladimir Romanyuk
但如果說Space Engine只是計算機對宇宙的一種逼真展現，還停留在遊戲層面，那麼同一個月，另一群對天文和計算機有著狂熱情懷的組織，紐約天體物理學信息中心的研究人員們，則在試圖做一件更偉大的事——用AI重新創造一個宇宙。
使用神經網絡模擬宇宙
6月24日，紐約天體物理學信息中心的研究人員在美國國家科學院院刊上發表了一項研究，AI創造了前所未見的模擬宇宙，效果逼真，然而AI如何完成這一模型的卻是個迷。
論文下載連結：https://www.pnas.org/content/pnas/early/2019/06/21/1821458116.full.pdf
這個項目的工作目標是為了再現宇宙起源時的種種環境條件，但是神經科學家們顯然也對自己創造的模擬器的工作原理十分感興趣。
「這就像你只是用貓和狗的圖片去訓練圖像識別軟體，但是它卻可以識別大象，」這項研究的作者之一，紐約天體物理學信息中心的理論天文學家Shirley Ho評論，「沒有人知道AI到底是怎麼做到的，這是一個有待解決的大謎題。」
宇宙年齡和度量在數據上的巨大使得理解這些數據變得十分困難，計算機模型則是天文學家的一項有力工具。傳統的模型需要多臺計算機花費大量時間，因為天文學家們需要跑上千臺模擬器，調整各種參數去得到最逼真的模擬。
沒有錄入任何相關數據，模型竟然自己跑出了「暗物質」
Shirley Ho和她的同事創造了一個深度學習網絡來為這項模擬過程加速。Deep Density Displacement Model，或者叫它D^3M，這個神經網絡被設計為通過識別數據的共性去「學習」如何操作這些數據。
研究人員將8000個通過傳統高速計算機模擬的宇宙模型放入D^3M，等D^3M學習完這些模型的工作原理之後，研究人員就放入一個全新的前所未見的6億光年寬度的宇宙可視立方體模型。（真正可被觀測的宇宙大約是930億光年寬度）
就像處理前面訓練時的8000個數據集一樣，面對這個全新的宇宙仿真模型，D^3M神經網絡依舊遊刃有餘。
這項模擬關注的是重力在宇宙形成時所起到的作用，然而令人驚喜的是，當研究人員調到一些前所未見的參數——比如，可視宇宙中的暗物質數量——D^3M也能夠進行模擬。這讓研究者們目瞪口呆，因為他們從來沒有對這個模型錄入過任何暗物質相關的變量。
AI或可取代傳統的數值模擬宇宙學
D^3M謎一樣的特性同時吸引著計算機科學家和宇宙學家。
「我們可以變成機器學習者的遊樂場，去探究為什麼這個模型擁有對未知事物如此之強的推算能力，為什麼他能識別出大象而不只是貓和狗，」Shirley Ho說，「這是科學和深度學習之間的雙向街」。
這個模型也能為對宇宙起源感興趣的科學家省下時間。新的神經網絡可以在30毫秒內完成模擬，而對於那些沒有AI加持的模擬器，最快也需要幾分鐘。同時，它也將錯誤率從9.3%降到2.8%。（這些錯誤率是相對於黃金標準精度而言的，一個模型需要花好幾百個小時去做一次模擬）
研究人員現在計劃改變這個神經網絡的其他參數，去測試其他例如流體力學、液體氣體的運動等影響宇宙形成的因素。
N-body模擬是預測宇宙結構形成的傳統方法，但計算量大。而使用深層神經網絡來預測宇宙結構的形成則優於傳統的解析近似法，並且精確的外推遠遠超出了它的訓練數據。文章表明，深度學習可以精確的近似宇宙模擬，因此可以利用深度學習生成複雜的宇宙學三維模擬。
而這也表明，深度學習將來或許可以替代傳統的數值模擬宇宙學。