Effort.jl؛ شبیه‌سازی سریع‌تر و دقیق‌تر از ابررایانه‌ها

جهان در مقیاس کلان همچون یک تارعنکبوت کیهانی از کهکشان‌ها، خوشه‌ها و رشته‌های عظیم شکل گرفته است. مطالعه این ساختار عظیم به‌طور سنتی مستلزم ترکیب نظریه‌های فیزیکی با داده‌های رصدی و استفاده از مدل‌های سنگین محاسباتی نظیر EFTofLSS بوده است. این مدل‌ها امکان پیش‌بینی آماری ساختار جهان را فراهم می‌کنند، اما اجرای آنها به منابع عظیم و زمان طولانی نیاز دارد.

به گزارش دیتاسنتر من و به نقل از سایتک‌دیلی، با رشد روزافزون داده‌های نجومی از پروژه‌هایی مانند DESI و مأموریت اروپایی Euclid، نیاز به ابزارهای سریع‌تر و کارآمدتر بیش از پیش احساس می‌شود. در همین راستا، تیمی از پژوهشگران از ایتالیا و کانادا ابزاری جدید به نام Effort.jl توسعه داده‌اند. نتایج پژوهش آن‌ها که در نشریه Journal of Cosmology and Astroparticle Physics منتشر شده نشان می‌دهد این شبیه‌ساز می‌تواند دقتی هم‌سطح مدل‌های اصلی و حتی در برخی موارد بالاتر ارائه دهد؛ آن هم در زمانی بسیار کوتاه و با سخت‌افزاری ساده مانند یک لپ‌تاپ معمولی.

هسته اصلی Effort.jl یک شبکه عصبی است که پس از آموزش با خروجی‌های مدل‌های دقیق، قادر به پیش‌بینی نتایج برای ورودی‌های جدید می‌شود. تمایز این ابزار از نمونه‌های پیشین در آن است که به‌طور هوشمندانه دانش موجود درباره تغییرات پارامترها و گرادیان‌ها را از همان آغاز در الگوریتم لحاظ می‌کند. به این ترتیب، نیاز به داده‌های آموزشی گسترده کاهش یافته و سرعت یادگیری افزایش می‌یابد.

 

مارکو بونیشی، پژوهشگر دانشگاه واترلو و نویسنده اصلی مقاله، این فرایند را با بررسی آب درون یک لیوان مقایسه می‌کند: «به‌جای محاسبه تک‌تک اتم‌ها، می‌توان ویژگی‌های خرد را کدگذاری کرد و اثر آن‌ها را در مقیاس کلان مطالعه نمود.» همین رویکرد در مدل‌های میدان مؤثر بزرگ‌مقیاس (EFTofLSS) به کار می‌رود و Effort.jl آن را با سرعتی بی‌سابقه شبیه‌سازی می‌کند.

اعتبار این شبیه‌ساز با داده‌های شبیه‌سازی‌شده و واقعی آزمایش شد و نتایج آن همخوانی نزدیکی با مدل‌های مرجع نشان داد. حتی در مواردی که برای صرفه‌جویی محاسباتی ناچار به ساده‌سازی مدل اصلی بودند، Effort.jl توانست آن بخش‌های حذف‌شده را نیز لحاظ کند.

این پیشرفت نویدبخش انقلابی در تحلیل داده‌های کیهان‌شناسی است. ابزارهایی از این دست می‌توانند آینده پژوهش‌های مربوط به ساختار بزرگ‌مقیاس جهان را متحول کرده و امکان پردازش سریع داده‌های عظیم پروژه‌های پیش رو را فراهم آورند.